在互联网大厂激烈争夺的"AI高考"赛道, 阿里巴巴AI旗舰应用夸克日前公布了最新战绩。 "截至6月30日14:30，高考出分第8天，夸克累计为考生和家长生成超1000万份专业级志愿报告。""1000 万份专业报告由今年推出的志愿报告Agent生成，采用了具备'任务规划—执行—检查—反思'能力的深 度研究技术。"夸克方面表示。 在业内人士看来，今年全国高考报名人数1335万人，仅次于历史峰值。以目前夸克生成1000万份专业级 志愿报告数据看，实现了截至目前深度研究的较大规模场景落地。 深度研究（Deep Research）如何应用在高考这样特殊的垂直赛道，如何进行精准数据搜集、清洗，降 低幻觉率，在C端实现快速爆发，针对外界关注的诸多问题，在硝烟还未散去的"夸克高考作战室"，夸 克算法负责人蒋冠军、夸克高考志愿大模型算法负责人唐亮，日前接受包括《中国经营报》在内的媒体 记者采访，讲述了Deep Research应用背后的产品逻辑与技术细节。 作为阿里巴巴AI旗舰应用，这也是夸克技术团队一次罕见的低调曝光，夸克的野心远不止AI高考赛 道。 数据壁垒与深度对齐 今年互联网大厂在"AI高考"赛道上的争夺尤为激烈。 此 ...

在过去，数字技术虽有介入，却始终未触及本质。志愿填报类产品层出不穷，但大多仍停留在"信息 罗列"或"筛选工具"阶段。真正需要解答的问题，从来不是"我能去哪"，而是"我该去哪、为什么去、 怎么去"，这些具有多变量、强约束、需解释的问题，恰恰是传统算法最难应对的场景。 1977年恢复高考制度，曾为千千万万中国人打开了一扇通向未来的门。但多年过去，在这扇门后却 横亘着另一道门槛：志愿填报。这不是一次考试能解决的问题，它融合了认知偏好、信息不对称、规 则复杂与资源不均。对于很多普通家庭而言，这道关卡远比考场更模糊、更难解。 直到今年夏天，生成式AI真正走进这片复杂地带。夸克正式推出"高考志愿大模型"，并上线"志愿报 告Agent"产品，其底层是基于夸克的"深度研究（Deep Research）"技术。 这一技术带来的最大变化是，让AI不再只是搜索或生成的工具，而成为可以参与决策、进行结构推 理的Agent系统。 截至6月30日，夸克为考生生成的志愿报告已超过1000万份，成为目前国内用户规模最大、反馈路径 最闭环的一次深度研究技术应用。 如果说去年我们还在讨论"ChatGPT能不能写作文"，今年夸克所做的，是用AI去 ...

作为一款辅助高考志愿填报的神器，夸克最新"战报"出炉。 观察者网获取的最新数据显示，截至7月1日，阿里巴巴AI旗舰应用夸克已累计为考生和家长生成超1000万份专业级志愿报告。这些报告由今年推出的"志愿 报告"Agent生成，采用了具备"任务规划—执行—检查—反思"能力的深度研究技术。业内认为，这一成果已成为国内最大规模的深度研究技术应用。 | 11:15 > N | % 68 ul ull (98) 1 | 11:15 @ N | | | --- | --- | --- | --- | | ← | 猫冬的志愿报告-院校层次优先 「[ | | ← | | ① 依据陕西2025年招生计划、2024年录取分数线生成 | | | 核心填报策 | | 01 | 考生基本情况 | | 结合对考生情况 | | | | | 愿填报时可以】 | | 高考省份 | 高考科目 | | 焦、地域偏好亲 | | 原元 | 史/地/政 | | 01 院校选择 | | 高考分数 | 高考排名 | | 985、21 | | 607 分 | 1716 名 | | 核心患跷 | | | | | 锁定具有 | | | | | 重点选择 | | 命 ...

志愿报告是夸克"深度研究"技术在垂类场景中的代表应用。对于通用深度研究需求，夸克已面向全量用 户开启邀测，实现结构化大纲生成、问题澄清路径、AI工具协同和多模态结果输出。首批受邀用户 中，研究报告的下载和主动分享率超过40%，反映出较高的产品认可度。 "志愿报告是我们对深度研究技术的一次重要实践"，夸克算法负责人蒋冠军指出，在很多专业领域，用 户的需求是高度复杂的，已经无法通过常规搜索或简单总结来满足。"从这次志愿报告的应用情况来 看，深度研究已经让AI真正成为用户身边的专家型助手"。 在执行过程中，Agent通过多轮"工具调用+反思调整"的机制，动态优化志愿方案。例如，当考生表 达"倾向留在省内（广州、深圳优先）、不考虑偏远地区"时，模型会自动生成搜索指令：优先推荐广 州、深圳的高校，其次考虑广东省内其他城市院校，排除偏远地区选项；若优质选项受限，Agent还能 主动反思扩展搜索范围，如增加广东周边发达城市，或在高层次高校（如985）上适度放开地域限制， 为考生争取冲一冲的机会。 此外，Agent具备处理复杂、甚至自相矛盾诉求的能力。面对"数学成绩差，但想报考计算机"这类常见 冲突，系统会触发"需求澄清"流 ...

Core Insights - The article discusses the emergence and evolution of "Deep Research" systems in the AI Agent exploration wave, highlighting the rapid development and competition among major players like Google, OpenAI, and Anthropic since late 2024 [1][2] - A comprehensive survey from Zhejiang University provides a framework for understanding and evaluating the current landscape of deep research systems, emphasizing the shift from model capability to system architecture and application adaptability as the main competitive focus [1][2] Group 1: Current Landscape and System Comparisons - The ecosystem of deep research systems is characterized by significant diversity, with different systems focusing on various technical implementations, design philosophies, and target applications [3] - Key differences among systems are evident in their foundational models and reasoning efficiency, with commercial giants leveraging proprietary models for superior performance in handling complex reasoning tasks [4] - Systems also differ in tool integration and environmental adaptability, showcasing a spectrum from comprehensive platforms to specialized tools [5] Group 2: Application Scenarios and Performance Metrics - In academic research, systems like OpenAI/DeepResearch excel due to their rigorous citation and methodology analysis capabilities, while in enterprise decision-making, systems like Gemini/DeepResearch thrive on data integration and actionable insights [8] - Performance metrics reveal that leading commercial systems maintain an edge in complex cognitive ability benchmarks, although specialized evaluations highlight the strengths of various systems in specific tasks [9][10] Group 3: Implementation Challenges and Technical Solutions - The implementation of deep research systems involves strategic trade-offs across architecture design, operational efficiency, and functional integration [12] - Core challenges include managing hallucination control, privacy protection, and ensuring interpretability, with solutions focusing on source grounding, data isolation, and transparent reasoning processes [15] Group 4: Evaluation Frameworks - The evaluation of deep research systems is evolving from single metrics to a multi-dimensional framework that assesses functionality, performance, and contextual applicability [16] - Functional evaluations focus on task completion capabilities and information retrieval quality, while non-functional assessments consider performance efficiency and user experience [17][18] Group 5: Future Directions in Reasoning Architecture - Future advancements in deep research systems are expected to address limitations in context window size, enabling more comprehensive analysis of large-scale research materials [22][23] - The integration of causal reasoning capabilities and advanced uncertainty modeling will enhance the systems' applicability in complex fields like medicine and social sciences [27][30] - The development of hybrid architectures that combine neural networks with symbolic reasoning is anticipated to improve reliability and interpretability [25][26]

大家好，我是歸藏（guizang），今天给大家带来 Kimi 的深度研究能力体验和介绍。 上周五 Kimi 更新了他们的深度研究能力，收到测试资格之后昨天深度使用了一天。 发现 Kimi 深度研究在内容丰富度 、准确性和逻辑严谨性上都非常能打。 与其他近期类似产品不同，月之暗面这个深度研究是 他们自己训练的 基于端到端自主强化学习技术训练的Ag ent 模型。 而且他们 会开源基础的预训练模型和后面经过强化学习的模型 ，这个太值得期待了。 在 HLE (Humanity's Last Exam) 和 红杉的 Agent 测试 上 kimi 深度研究模型都取得了不错的成绩。 我最近一直在思考这类产出深度研究报告的产品或者模型，他的核心考核指标是什么？ 感觉大家关注的主要是 其信源的质量、信息的覆盖度以及逻辑的严谨性， 刚好 Kimi 深度研究在两个方面的 优化上保证了这几个指标。 首先 Kimi 深度研究 对于信息有自主甄别能力 ，他会自己规划几十个搜索关键词和阅读上百个网 页，然后找出可信度靠前的内容进行引用。 然后在信息覆盖度上，基本上每篇生成的 研究报告都会超过一万字 ，我有个测试有 2.2 万字，当然 ...

本报讯 （记者刘钊）4月28日，兴华基金管理有限公司（以下简称兴华基金）迎来五周年生日。 作为首家总部注册在山东青岛的公募基金机构，五年来，兴华基金坚持"深度研究创造超额回报"的投资 理念，在产品布局上构建全谱系矩阵，在投研体系上锻造差异化竞争力，在投资者服务上创新陪伴模 式，走出了一条差异化的发展道路。 兴华基金负责人表示，2025年，兴华基金将基于对市场的深度研究，进一步完善产品矩阵，不仅延续利 率债、信用债及二级债基等传统优势品类，更将重点布局短债基金、债券指数基金、权益基金等产品， 构建覆盖不同风险偏好的立体化产品体系，致力于帮助投资者在不同市场周期中实现稳健收益。 五年来，兴华基金在北京、济南、青岛、上海四地设立分公司，组建了一支60余人的专业团队，其中投 研团队人员占比超40%，均拥有优秀的教育背景及资深的行业经验，为公司注入源源不断的创新动能。 五年来，兴华基金通过秉承长期投资、价值投资理念，充分挖掘、支持本地优质企业，用基金汇集大众 资金，注入具有核心竞争力和努力为客户创造价值的实体企业，通过对资本的高效配置，助力山东省乃 至全国的产业结构优化升级。助力山东省内城投企业融资，更好服务实体经济和 ...

2025年，是华商基金成立的第20个年头。 二十年砥砺前行，华商基金以主动管理为矛、深度研究为盾，践行"深度研究驱动投资"的理念，在浩浩 荡荡的资管大时代中稳步向前，走出一条特色化发展之路。 如今，华商基金凭借扎实的投研实力和稳健的长期业绩，已成为公募行业主动管理领域的标杆机构。 面向未来，公司将继续坚守"持有人利益至上"的初心，深化投研改革，优化服务生态，以专业致敬时 代，与投资者共赴长期价值之约，为中国资本市场高质量发展贡献力量。 深耕二十载 铸就主动管理标杆 2005年12月20日，华商基金正式成立，是行业第50家获批设立的公募基金管理公司，大股东为华龙证 券，多年来为华商基金提供了重要支持。 公司成立伊始，便以"诚为本，智慧创造财富"为发展理念，致力打造投资者信赖的基金品牌。 2007年，公司旗下首只基金产品，正式拉开公募业务发展的序幕。自此，公司始终坚持以主动管理能力 为核心竞争力，践行"深度研究驱动投资"的理念，在竞争激烈的资管行业中走出了一条特色发展道路。 多年积淀下，如今这家券商系基金公司的投研板块已然底蕴深厚，规模与口碑双升。 2018年7月起，王小刚任职华商基金总经理，公司稳步发展，公募基 ...

在当今快速发展的科技时代，人工智能已经成为一个不可忽视的力量，从智能语音助手到自动驾驶汽车，AI的应用无处不在。最 近，一项名为"深度研究AI"的新技术引起了广泛关注。它不仅能够高效完成复杂的任务，还可能成为未来职场的重要工具。本文 将探讨深度研究AI的功能、应用及其对未来的潜在影响。 一、深度研究 AI：从理论到实践 （一）什么是深度研究AI？ 深度研究AI是一种新型的智能体，能够自动完成复杂的任务，包括文献综述、数据分析和报告生成。 它通过多步骤的推理和逻辑分 析，处理大量复杂的信息，从而提供高质量的解决方案。深度研究AI的核心在于其"深度"——它能够处理复杂的任务，而不仅仅是简 单的数据处理。 （二）深度研究AI的诞生 深度研究AI的出现是技术发展的必然结果。随着大数据和机器学习技术的不断进步，AI的能力不断提升。 深度研究AI利用先进的算 法和海量的数据，能够快速生成高质量的研究报告和解决方案。 这种技术的出现，为许多行业带来了新的可能性。 二、深度研究AI的应用案例 | GPT-40 | 深入研究 | | --- | --- | | NFL 翻球手的平均退役年龄是多少? | NFL 翻球手的平均追休 ...

大家好，很久没有和大家见面了，最近几个月我们 补充了 沪深 、港股 和美股 上市公司近 5 年的 财报 、电话会议 文档数据以及相当一部分的结构 化数据，同时 对 Reportify 的整个技术架构、内容解析引擎和产品交互做了一轮比较彻底重构。 有些改进是直观可见的，有些改进是为我们未来产品发展做好了扎实的准备，希望我们持续的改进可以让大家的工作和投资变得更有效率，让我们 一起来体验一下产品上的改进有哪些： - Reportify 功能更新 - 定量分析+可视化，根据用户的问题查询系统的结构化数据，并且进行图表组件的渲染。 | 學度 | 总收入（亿美元） | 净利润(亿美元) | | --- | --- | --- | | 2024Q1 | 213.01 | 11.29 | | 2024Q2 | 255.00 | 14.78 | | 2024Q3 | 251.82 | 21.70 | | | 日期 | 收入(美元) | 净利润(美元) | | --- | --- | --- | --- | | 1 | 2024-09-30 | 25,182,000,000 | 2,167,000,000 | | 2 | 20 ...