Nylig har jeg forsket på @SentientAGI's Open Deep Search, som er et åpen kildekode-alternativ til Perplexity og SearchGPT. 🎯 Ytelsesdata ODS + DeepSeek-R1-kombinasjonen oppnådde en nøyaktighetsgrad på 75.3 % i FRAMES-referansen, og overgikk direkte OpenAIs GPT-4o Search Previews 65.6 % og ledet med nesten 10 prosentpoeng. Den oppnådde 88.3 % i SimpleQA-testen, og tangerte nesten 90.0 % av GPT-4o Search Preview. For første gang overgår en åpen kildekode-løsning sin lukkede kildekode-motpart i komplekst slutningssøk. ⚡️ Arkitektonisk innovasjon Tradisjonelle søkeverktøy med åpen kildekode kaster ganske enkelt de originale søkeresultatene til LLM-er for behandling. ODS redesignet hele prosessen: 1️⃣ Intelligent refaktorering av spørringer – forstå brukerens implisitte intensjon og optimaliser søkeord automatisk 2️⃣Avansert innholdsdeling og omorganisering – filtrer innhold med lav relevans for å sikre at LLM-er får kontekst av høy kvalitet 3️⃣ Tilpasset nettstedbehandling - Optimalisert gjennomsøking for store kilder som Wikipedia, ArXiv, PubMed, etc 4️⃣ Dynamisk søkebeslutning – intelligent bestemmelse av om flere søk er nødvendig basert på spørringskompleksitet 💡 Slutningsmotor ODS-v1 er basert på rammeverkene Chain-of-Thought og ReAct, som forbedrer resonneringsevnen gjennom tenke-/handlings-/observasjonssyklusen ODS-v2 er basert på rammeverkene Chain-of-Code og CodeAct, og genererer kjørbar Python-kode for presis resonnement Begge versjonene tilpasser søkestrategien til spørringskompleksiteten, i stedet for å bruke samme antall søk hver gang som et fast scenario. ————————————————————————— Utviklere er ikke lenger tvunget til å stole på black-box-algoritmer og kan tilpasse søkelogikken i henhold til deres behov. Startups har tilgang til søke-AI-funksjoner på nivå med teknologigiganter. @SentientAGI ODS tilbyr et plug-and-play-rammeverk som muliggjør sømløs integrering av nye åpen kildekode-slutningsmodeller ved utgivelse, noe som sikrer at åpen kildekode-søke-AI alltid opprettholder et konkurransefortrinn.