o3-deep-research

Mis on o3-deep-research?

o3-deep-research on spetsiaalne OpenAI arutlusmudel, mis on loodud keerukateks mitmeastmelisteks uurimisteks. Lühikestele vestlusvastustele keskendumise asemel on selle eesmärk koguda teavet, tõlgendada dokumente, võrrelda tõendeid ja koondada tulemused uurimispõhiseks vastuseks.

Mudelile pääseb ligi OpenAI Responses API kaudu ning seda saab kombineerida toetatud tööriistadega, sealhulgas veebotsingu, failiotsingu, kaug-MCP-serverite (Model Context Protocol) ja koodiinterpretaatori töövoogudega. MCP-ühendused võivad anda juurdepääsu välistele teenustele või andmeallikatele, failiotsing võib aga ühendatud vektorhoidlatest asjakohast materjali leida. Koodiinterpretaator on kasulik siis, kui uurimisülesanne hõlmab arvutusi või arvutuslikku analüüsi.

OpenAI avaldas mudeli 2025. aasta juunis ning märgib praegu kanoonilise o3-deep-researchi mudeli aegunuks. See staatus on oluline kõigile, kes kaaluvad uut tootmisintegratsiooni: mudel võib endiselt aidata olemasolevat süsteemi mõista või sobida ühilduvuse testimiseks, kuid see ei ole kõige turvalisem valik juhul, kui pikaajaline kättesaadavus on esmatähtis.

Koht OpenAI mudelite kataloogis

o3-deep-research paikneb OpenAI mudelite kataloogis spetsialiseeritud kohal. Seda ei esitata üldotstarbelise vestlusmudeli, pildigeneraatori ega tavapärase funktsioonikõnesid kasutava agendina. Selle roll on toetada uurimistöövooge, kus mudel peab läbima mitu arutlusetappi ja töötama päringu käigus hangitud teabega.

Selline positsioneerimine loob selge kompromissi. Uurimisele keskenduv mudel võib olla kiirest vestlusmudelist sobivam siis, kui ülesanne sõltub allikate ulatusest, pikkadest dokumentidest ja tõendite sünteesimisest. Sama ülesehitus võib olla ebaefektiivne lihtsate küsimuste, interaktiivse vestluse või rakenduste puhul, kus vastuse kiirus ja prognoositav kulu on uurimise sügavusest olulisemad.

Mudelit tuleks eristada ka eraldiseisvast veebiotsingu tootest. Selle uurimiskäitumine sõltub Responses API kaudu pakutavatest tööriistadest ja andmeallikatest. Päring peab sisaldama vähemalt üht toetatud andmeallikat, näiteks veebiotsingut, kaug-MCP-serverit või vektorhoidlatega failiotsingut. Seega on tööriistade kättesaadavus praktilise rakenduse osa, mitte mudelist sõltumatu valikuline detail.

Põhivõimekused ja modaalsused

o3-deep-research võtab vastu nii teksti- kui ka pildisisendit ning genereerib tekstiväljundit. Pildisisend võimaldab visuaalset materjali arvestada koos kirjalike juhiste või dokumentidega, kuid mudel ei loo loomupäraselt pilte, heli ega videot. Selle väljund on kirjalik uurimus, analüüs ja selgitus.

Mudeli peamised võimekused on järgmised:

• Mitmeastmeline arutlemine: mudel on mõeldud uurimisteks, mis nõuavad kavandamist, allikate tõlgendamist, võrdlemist ja sünteesimist.
• Veebiuuringud: toetatud veebiotsingu töövood võivad pakkuda ajakohast teavet, mis ulatub mudeli aluseks olevast teadmiste lõppkuupäevast kaugemale.
• Failipõhine uurimine: failiotsing võib ühendatud vektorhoidlatest asjakohast teavet leida.
• Välised ühendused: kaug-MCP-serverid võivad ühendada uurimistöövoo toetatud väliste andmete või teenustega.
• Arvutuslik analüüs: koodiinterpretaatori saab lisada siis, kui vaja on arvutusi või muud koodipõhist töötlemist.
• Pikkade tekstide genereerimine: mudel toetab maksimaalselt 100 000 väljundtokenit, arvestades päringu praktilisi nõudeid ja kulu.

Need on tööriistadega toetatud uurimisvõimekused, mitte tõend selle kohta, et mudel teab iseseisvalt kõiki praeguseid fakte. Selle ametlik teadmiste lõppkuupäev on 1. juuni 2024. Veebiotsing ja ühendatud allikad võivad päringu käigus pakkuda uuemat teavet, kuid need ei muuda mudeli aluseks olevat teadmiste lõppkuupäeva.

Tehnilised näitajad

Token on töötlemiseks ja arveldamiseks kasutatav tekstiühik; see võib tähistada tervet sõna, sõnaosa, kirjavahemärki või muud sisu. 200 000 tokeni suurune kontekstiaken võimaldab ühes päringus käsitleda mahukaid juhiseid, hangitud allikaid ja vestlusajalugu. See ei tähenda, et iga päring peaks sisaldama nii palju materjali: suuremad sisendid võivad suurendada kulu ning muuta allikate valiku ja korraldamise tähtsamaks.

Arutlemine, kodeerimine ja tööriistade tugi

OpenAI positsioneerib o3-deep-researchi mahukat arutlemist nõudvate ülesannete jaoks, mitte kiireks vastuste genereerimiseks. Praktikas tähendab see, et mudel sobib näiteks teaduskirjanduse võrdlemiseks, poliitikadokumentide uurimiseks, turu analüüsimiseks või suure sisemise teabekogumi läbivaatamiseks. Mudeli väärtus tuleneb uurimisetappide koordineerimisest ja kogutud materjali sidusaks tulemuseks muutmisest.

Koodiinterpretaatori tugi laiendab mudeli võimalusi puhtalt tekstipõhisest analüüsist kaugemale. Näiteks võib uurimistöövoos kasutada koodi statistika arvutamiseks, andmestiku teisendamiseks või tõendite tõlgendamiseks vajalike muude arvutuste tegemiseks. Esitatud uurimus kinnitab koodiinterpretaatori töövoogude tuge, kuid ei anna üksikasjalikku loetelu toetatud programmeerimiskeeltest, täitmispiirangutest ega failisuuruse piirangutest, mistõttu ei tohiks neid üksikasju eeldada.

Agentide ehitajatele on oluline piirang: funktsioonikõned on märgitud mittetoetatuks ning ka struktureeritud väljundid on märgitud mittetoetatuks. Seetõttu ei sobi o3-deep-research süsteemidele, mis sõltuvad tavalistest funktsioonikõnede skeemidest või garanteeritult JSON-skeemile vastavatest vastustest. Olemasolevas dokumentatsioonis kirjeldatud soovituslik integratsioonitee kasutab toetatud sisseehitatud uurimistööriistu ja MCP-liideseid.

Konteksti- ja väljundipiirangud praktikas

200 000 tokeni suurune kontekstiaken on kasulik siis, kui ülesanne nõuab paljude allikate või pikkade dokumentide ühist käsitlemist. Õiguslik uurimine, tehnilise kirjanduse ülevaade või siseandmete analüüs võib vajada juhiste, hangitud lõikude, varasemate leidude ja toetavate tõendite ühendamist. Suur aken vähendab vajadust jagada iga uurimist väga väikesteks eraldiseisvateks päringuteks.

100 000 tokeni suurune maksimaalne väljund sobib samuti üksikasjalike aruannete koostamiseks. Maksimum ei tähenda siiski, et alati tuleks küsida võimalikult pikka vastust. Väga suured aruanded võtavad rohkem aega ja toovad kaasa suuremad väljundtokenite kulud. Parem rakendus küsib otsuse tegemiseks vajalikul tasemel üksikasju, korraldab vastuse selgete küsimuste ümber ning säilitab vajaduse korral allikate jälgitavuse.

Pikk kontekst ei kõrvalda ka hea uurimiskujunduse vajadust. Asjakohased allikad tuleb endiselt välja valida, vastuolulisi tõendeid tuleb endiselt uurida ning lõppvastus peaks eristama hangitud tõendeid mudeli tõlgendusest. Mudel saab neid samme toetada, kuid ülevaatamise ja juhtimise eest vastutab endiselt rakendus.

Hinnastus ja API-juurdepääs

OpenAI hinnastab o3-deep-researchi järgmiselt: 10 dollarit 1 miljoni sisendtokeni kohta, 2,50 dollarit 1 miljoni vahemällu salvestatud sisendtokeni kohta ja 40 dollarit 1 miljoni väljundtokeni kohta. Saadaval on ka Batch API hinnastus. Need on tokenipõhised hinnad, mitte fikseeritud päringupõhise tellimuse tasu, mistõttu sõltub kogukulu sisendi mahust, vahemällu salvestatud materjalist, genereeritud väljundist ja võimalikust tööriistakasutusest.

Esitatud hindade järgi on väljund märkimisväärselt kallim kui vahemällu salvestamata sisend. Seetõttu võivad pikki uurimisaruandeid genereerivad päringud muutuda kulukaks isegi siis, kui esialgne juhis on lühike. Vahemällu salvestamine võib korduva sisendmaterjali hinda vähendada, kui töövoog vastab vahemällu salvestatud sisendi arveldamise tingimustele, kuid esitatud uurimus ei täpsusta täpselt sobivuskriteeriume ega vahemälu säilitamise kestust.

Deep-researchi päringud avaldati Responses API jaoks 24. juunil 2025. Kehtiv töövoog peab sisaldama vähemalt üht toetatud andmeallikat. Veebiotsingut, kaug-MCP-servereid, vektorhoidlatega failiotsingut ja koodiinterpretaatorit tuleks käsitleda päringu kavandamise komponentidena, mitte üldiste võimekustena, mis on saadaval igas kutses.

Tugevused ja piirangud

o3-deep-researchi tugevaim kasutusjuht on keerukas uurimine, mille vastus sõltub mitmest allikast pärineva teabe kogumisest ja kooskõlastamisest. Suur kontekstiaken toetab mahukaid allikakogumeid ning uurimistööriistad võivad laiendada töövoogu mudeli 2024. aasta juuni teadmiste lõppkuupäevast kaugemale. Mudel suudab koostada ka märksa pikema lõpparuande kui tüüpilises lühivastusega vestluses.

Selle peamised piirangud on sama selged:

• Aegunud staatus: OpenAI märgib mudeli praegu aegunuks, mis tekitab uute juurutuste puhul elutsükliriski.
• Viivitus: Mitmeastmeline uurimine ja tööriistade kasutamine sobivad olemuslikult kiirvastusteks vähem kui lihtne genereerimine.
• Kulu: Väljundi hinnaks on märgitud 40 dollarit 1 miljoni tokeni kohta ning pikad aruanded võivad nõuda suurt hulka väljundtokeneid.
• Tavaliste funktsioonikõnede puudumine: Agendiarhitektuurid, mis eeldavad standardset funktsioonikõnede tuge, ei saa sellele tugineda.
• Struktureeritud väljundite puudumine: Rakendused, mis vajavad garanteeritud JSON-skeemile vastavat väljundit, peaksid valima teise lähenemise või mudeli.
• Ainult tekstiväljund: Mudel ei saa otse genereerida pilte, heli ega videot.
• Peenhäälestuse puudumine: Esitatud tehniliste näitajate järgi ei ole peenhäälestus toetatud.

Need piirangud tähendavad, et mudeli suur uurimisvõimekus ei tee seda universaalselt sobivaks. Kiire ja odavam mudel on tõenäoliselt parem tavapärase klassifitseerimise, lühivastuste või suure mahuga vestluse jaoks. Struktureeritud väljundeid ja funktsioonikõnesid toetav mudel sobib paremini rangelt kontrollitud äriprotsesside automatiseerimiseks.

Parimad kasutusjuhud

o3-deep-research sobib hästi tööks, kus uurimise kvaliteet on kohesest vastusekiirusest olulisem. Sobivad näited on järgmised:

• Uurimisaruanded, milles võrreldakse paljusid veebiallikaid.
• Tehnilise kirjanduse ülevaated, mis hõlmavad pikki teadusartikleid või dokumentatsiooni.
• Õigus- või poliitikauuringud, mis nõuavad dokumentide kogumist ja võrdlemist.
• Turu-uuringud ja konkurentide analüüs.
• Teaduslikud või tehnilised uurimised, mida toetavad arvutused.
• Ühendatud failiotsingu või MCP-töövoogude kaudu kättesaadavate suurte siseandmestike analüüs.

Nende ülesannete puhul on kasulik määratleda uurimisküsimus selgelt, täpsustada soovitud aruande struktuur, määrata lubatud allikad ja otsustada, kas koodiinterpretaatorit on vaja. Ülevaatajad peaksid olulisi väiteid kontrollima ka algallikate põhjal, eriti juhul, kui väljund mõjutab õiguslikke, teaduslikke, finants- või tegevusotsuseid.

Millal valida see mudel?

Vali o3-deep-research siis, kui vajad spetsiaalset tööriistadega toetatud uurimist, mis hõlmab palju allikmaterjali, pikka konteksti ja üksikasjalikku tekstilist tulemust. Veebiotsingu, failiotsingu, MCP-ühenduvuse ja koodiinterpretaatori kombinatsioon on toorvestluskiirusest olulisem siis, kui ülesanne hõlmab tõendite kogumist ja selle selgitamist, kuidas need tõendid järeldust toetavad.

Vali teist tüüpi mudel siis, kui ülesanne on peamiselt väikese viivitusega vestlus, lihtne tekstigenereerimine, suure mahuga töötlemine, piltide genereerimine, heli- või videogenereerimine, tavaliste funktsioonikõnede abil automatiseerimine või garanteeritud struktureeritud JSON. Samuti tasub eelistada praegu toetatud järglast või alternatiivi siis, kui elutsükli stabiilsus on olemasoleva o3-deep-researchi töövoo jäljendamisest olulisem.

Mudeli staatus kataloogis muudab migratsiooni kavandamise eriti oluliseks. OpenAI eemaldas kuupäevastatud o3-deep-research-2025-06-26 hetktõmmise API-st 23. juulil 2026, kuid olemasolev dokumentatsioon ei anna kanoonilise aliase kohta eraldi sulgemiskuupäeva. Olemasolevad kasutajad peaksid seetõttu jälgima OpenAI aegumise dokumentatsiooni ja katsetama pakkuja soovitatud asendust enne, kui sundmigratsioon vajalikuks muutub.

Kokkuvõte

o3-deep-research on allikarohkeks uurimistööks mõeldud spetsiaalne arutlusmudel, mitte üldotstarbeline mudel kõigi API-ülesannete jaoks. Selle kontrollitud eelised on 200 000 tokeni suurune kontekstiaken, kuni 100 000 väljundtokenit, teksti- ja pildisisend, tekstiväljund ning mitme uurimistööriista tugi Responses API kaudu. Selle hind, tõenäoliselt aeglasem töövoog, tavaliste funktsioonikõnede ja struktureeritud väljundite puudumine ning aegunud staatus piiravad oluliselt olukordi, kus see on õige valik.

Olemasolevate uurimissüsteemide puhul on mudel endiselt kasulik mõistmiseks ja hindamiseks. Uue tootmistöö jaoks tähendab selle aegunud staatus, et võimekust tuleb kaaluda koos kättesaadavuse ja migratsiooniriskiga, mitte käsitleda seda ainsa valikukriteeriumina.