英伟达推出通用深度研究系统，可接入任何LLM，支持个人定制

英伟达也做深度研究智能体了。

最新论文介绍了英伟达的通用深度研究（UDR）系统，该系统支持个人定制，可接入任何大语言模型（LLM）。

这意味着它能够围绕任何语言模型运行，用户可以完全自定义深度研究策略，并交给智能体实现。

为展示其通用性，英伟达还为UDR配备了带用户界面的研究演示原型，可在GitHub上下载。

网友认为，它使智能体的自主性得到了突破，非常适合企业工作。

自带模型和策略

论文介绍，以往推出的所有深度研究智能体，都采用硬编码方式，仅能通过固定的工具选择来执行特定研究策略。

而英伟达的UDR系统能够围绕任何LLM运行。

还能使用户能够在无需额外训练或微调的情况下，创建、编辑和优化他们完全自定义的深度研究策略。

上图呈现的是一个典型深度研究工具（DRT）的组成部分，与普通的对话式LLMs不同，DRTs在生成报告之前倾向于持续向用户更新其进度。

一个DRT由两部分组成：

一个简单的用户界面：用于接收研究提示，持续向用户更新研究进度，并显示研究报告；

代理逻辑：代码代理（通过代码协调大语言模型与工具的组合运用）或LLM代理（直接利用模型自身的推理和工具调用能力）。

无论是Gemini、Perplexity还是OpenAI，现有的DRTs主要采用僵化的研究策略，除研究提示词外几乎不留用户定制空间；而在具有LLM代理的DRTs中，往往存在底层模型选择单一、或仅使用训练后行为特征相同的同系列模型的问题。

虽然这个问题并不是阻碍DRTs广泛流行的障碍，但它从三个方面限制了它们的实用性:

1、用户既不能自主设置资源优先级，也无法自动验证信息的权威性，更无法控制搜索成本。

2、现有的DRTs做不出高价值行业需要的专业文档分析方案。

3、现有的DRTs使用的模型是不可换的——用户不能随意将最新或最强大的模型与深度研究智能体组合起来，以产生一个更强大的DRT。

而英伟达的UDR系统提出了一种通用的解决方案来解决上述问题。

简单地说，与专门的DRT不同，UDR从用户那里接收研究策略和研究提示，允许更高的定制程度。

UDR能够将策略从自然语言编译成可执行的研究编排代码片段，然后执行策略，并将最终报告交付给用户。

其最显著的创新特性包括：

通过自然语言定制研究策略。UDR支持用户用自然语言定义和编程自己的研究工作流，系统会将其转换为可执行、可审计的代码。

这意味着用户自己设计的智能操作流程，不需要重新训练AI模型或进行复杂调试，就能直接投入实际使用。

与模型无关的研究工具架构。UDR将研究逻辑与语言模型解耦，使开发者能够将任何大语言模型——无论供应商或架构如何——封装成功能完整的深度研究工具。

这样一来，产品设计就有了更大发挥空间：既能选用最先进的AI模型，又能搭配量身定制的研究方案，实现灵活组合的创新应用。

用户可控的策略驱动研究界面。下图的原型展示了四大实用功能：实时修改研究策略、选择预设策略库、接收进度通知、查看分析报告。

UDR通过区分控制逻辑和语言模型推理来提升计算效率：整个深度研究流程的调度由生成的代码全权负责，这些代码直接在CPU上运行，避免了成本高出数十倍的语言模型推理开销。

系统仅在用户自定义研究策略明确要求时才会调用LLM，且每次调用仅处理代码变量中存储的精简定向文本片段。

这种双重高效设计——将流程调度交给CPU执行逻辑，同时将LLM的使用严格限定在精准高效的调用中——不仅能够降低GPU资源消耗，还可以显著减少深度研究任务的总体执行延迟和成本。

仍需进一步探索

不过，这项工作目前还存在一定的局限性。

一方面，UDR系统执行研究策略的准确度，完全取决于底层AI模型生成代码的质量。虽然研究人员通过强制要求代码添加注释来减少错误，但当策略表述模糊或不够具体时，系统偶尔还是会产生理解偏差或逻辑错误。

另一方面，UDR默认用户设计的研究策略本身是合理且可执行的。系统只会做基础检查，不会判断策略步骤是否真正有效。如果策略设计得不好，最终生成的报告可能质量低下、内容不全，或者根本生成不出报告。

此外， 还有一点在于，虽然UDR会实时显示研究进度，但当前版本在执行过程中不支持用户干预（只能停止任务），也无法根据实时反馈调整研究方向。

所有决策都需要在研究开始前就预先设定好，这使得长时间或探索性的研究任务缺乏灵活性。

针对上述问题，研究人员也提出了进一步的解决方案——或者说改进方案：

比如配备可修改定制的研究策略库、进一步探索如何让用户控制语言模型的自由推理过程、将大量用户提示自动转化为确定性控制的智能体等。

目前英伟达的UDR系统还只是原型阶段，并未正式推出，但或许可以期待一下。

期待一个功能完整的正式版本。

参考链接：

[1]https://x.com/rohanpaul_ai/status/1964689864244203596

[2]https://research.nvidia.com/labs/lpr/udr/

[3]https://github.com/NVlabs/UniversalDeepResearch