虽然它最终撰写了一篇 2,000 字的文章，引用了 17 个来源，例如我的各种作者简历、我的网站以及 Muckrack 等网站，但报告中的所有信息都直接来自这些来源。它说我为《大众科学》撰稿，因为我在那里有作者简历，但它没有注意到我最后一篇文章发表在 2023 年。同样，它列出了《纽约时报》，我最后一次在那里发表文章是在 2021 年——尽管作品没有那么定期。
ChatGPT 深度研究撰写有关 Harry 职业生涯的文章
即使事情做对了，我也不确定它到底做得有多好。
再举一个例子，我给深度研究提出了以下提示：
我在找一个薄荷糖品牌。它们的成分基本上只是薄荷油和糖。它们装在一个白色的包装里。它们在网上和美国都有售。有几种不同的口味。它们被宣传为更健康，因为它们的成分很少。我认为它们在好的杂货店里可以买到，但可能不是到处都有。
经过 10 分钟的研究，它找到了我正在寻找的薄荷糖——Simply Mints，这让我印象深刻。
ChatGPT 深度研究关于薄荷品牌的解答
但是，当我写这篇文章时，我觉得我最好再检查一下。我在谷歌上输入了“薄荷糖品牌，只有薄荷油和糖，极简包装”，没想到，最上面的结果竟然是 Simply Mints。答案是一样的，但需要的能量少得多。
当我要求它帮我研究滑雪板时，情况也类似。提示是：
我正在寻找一套新的越野滑雪旅行装备。我可能会使用 Shift 固定 沙特阿拉伯电报数据库 器，但需要总重量低于 3 公斤。我正在寻找宽度至少为 102 毫米、长度在 170 到 180 之间的滑雪板。您能给我提供一些选择并将结果列成表格吗？
轰——七分钟后，我得到了一份符合要求的八款滑雪板的列表。我印象深刻。但随后我深入挖掘了一下，发现它推荐的所有滑雪板都来自 Bing 上排名前五的两篇文章。更糟糕的是，它把那些文章中符合要求的其他滑雪板排除在了列表之外。虽然所有内容都整齐地排列在表格中，但很难忽视这样一个事实：它并不是在互联网上搜索热门产品或汇总 Reddit 上的提及。
当我要求深度研究针对多个有据可查但不同的信息编写报告时，它发挥了最佳作用。提示如下：
我有一个理论，即某一年美元兑欧元的平均汇率与该年任何一部电影获得的奥斯卡奖数量相关。例如，在 2016 年第 88 届奥斯卡颁奖典礼上，《疯狂的麦克斯：狂暴之路》获得了 6 项大奖；美元兑欧元的汇率为 1.10656。我需要你编写一份报告来测试这个理论。
Deep Research 创建了一个很棒的表格，显示相关性为零，并完美地总结了一切。有些图表本来会很好，但它们显然很快就会出现。