本来以为马斯克抄奥特曼已经够狠了，
没想到直接来一手超级免费，先是把订阅价提升了45%，然后第二天把Grok3免费了。这操作 OpenAI 估计学半年都学不会。
而且因为Grok3 Deep Search（深度搜索）跟 OpenAI 的Deep Research（深度研究搜搜）名字太像，再加上之前还有Jina AI、Perplexity、Gemini、Huggingface、Genspark、Ollama都出了类Deep Research的能力。
AI搜索、深度搜索、深度研究搜索的关系是什么？它们之间性能差距有多少呢？
这是我今天想知道的答案。
OpenAI的深度研究搜索之前已经详细测过一轮了，感兴趣的可以去看看效果：
用DeepSeek单挑完o3研究版和o3-mini后，我觉得OpenAI这些更新都没打到点上
这次直接上AI黄金守门员联网版DeepSeek R1和当红炸子鸡Grok3 Deep Search来一个硬碰硬。
就是 DeepSeek 用多了就会有一个苦恼，
模型够用了，反而是问题不够用了。深度搜索因为大都已经有推理模型的加持。一般的问题已经拉不开距离。
所以我将搜索测试分成了三类难题：
-
热点事件追踪与总结 -
特定主题的深度信息挖掘 -
对比分析与观点提炼
百宝箱R1
我是万万没想到Zfb也上线R1了，
这下子不需要考虑登陆账号的问题了，直接在Zfb里搜索百宝箱，点击DS联网搜就直接能用了，连下载都省了。
还有思维导图版的R1，挺好玩的。
这次总不需要担心被冲卡了吧。而且网页版tbox.alipay.com里还能构建工作流和智能体，进一步定制化联网搜索的体验。
先玩起来，说不定后续阿里的推理模型出了，在这个平台上也会快速支持。
对了实测之前，还有几条 Grok3 Deep Search 的使用小技巧：
-
Deep Search 用英文关键字检索，用中文查询效果反而会差 -
@宝玉 老师使用了 Dev Tool，看网络请求提前破解出了 Grok3 的使用限制，每两小时刷新一次：
一、热点事件追踪与总结
这一part最重要的就是时间，可以是一周、一个月、24小时。要求模型能够准确识别时间范围、识别信息源里的文章是否过时、保证时效性的同时能否完成全面总结。
先来个问题热热身
过去一周，马斯克做了什么？有发布什么新品吗？
-
R1回复
-
Grok3回复
点评一下，
先从体验上说起，百宝箱版R1的信息源应该都是中文类，优点是在提供答案的时候会用括号的方式标出。思考过程中能准确划分一周的范围，得到了马斯克这一周发布了Grok3、Optimus人形机器人以及Grok3的数据问题。
Grok3 的 UI 很好看，将搜索过程折叠起来的后进度感体验明显，同样是准确划分出了时间范围，有意思的是它还会“作弊”，当时间维度上找不到很多的项目时，还会根据与马斯克相关的项目一个个排查，最终得到是Grok3和Starlink，这局算是打平了。
再来一道：
最近24小时内，科技行业有哪些公司发布了重要的财报或业绩预测
-
R1回复
-
Grok3回复
PS：因为深度搜索的回复都很长，我做成了可滑动长图的形式。
这个问题就是来为难模型的，因为主体不明确，只知道是科技行业，公司太多了，很容易会让模型陷入搜索怪圈。
从支付宝版R1的回复上看，并没有找到对应的财报，所以用了最近几天的科技财报作为回复。而 Grok3 又开了，演都不演了，直接按照市值一个个找公司，尝试了三次之后可算找到阿里昨天发财报了。这一局Grok3小胜。
二、特定主题的深度信息挖掘
这一part的话，就是集中考察深度搜索的信息整合能力了。不只是罗列信息，还要进行一定的分析和解读，形成结构化的、连贯的答案。
如果可以在质量上接近 OpenAI 的深度研究搜索的话，深度搜索的使用额度和推理成本基本是碾压性优势。可惜很多时候限制了输出的长度，或者是模型没调好，出来就是就是几段排版了的文本，东一块西一块，但是每一块都没说全。
第三题就是：
全面介绍一下Grok3，包括模型、原理等相关信息
-
R1回复
-
Grok3回复
这次R1通过发布背景、技术原理、核心功能、性能表现以及争议来整合Grok3的信息，因为我前天才人工选了几十条信息，盘点了Grok3的14点内幕，所以结合来对比的话，R1得出的信息很准确，也得到了Grok3的DeepSearch、Think和BigBrain，还给出了应用场景。
Grok3输出的结构基本一致，但是在分析模型方法的时候有幻觉，使用了Grok1的结构来表达Grok3，但按照目前XAI发布的技术报告来看，Grok3的技术细节更多是用RL来完善思维链的过程。这一局R1赢了。
第四题的话，我想问问看DeepSeek刚发的论文《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》，前天刚发的，专门为了解决长文本。梁文峰还亲自上场了。
-
R1回复
-
Grok3回复
R1和Grok3都找到了正确的论文地址。不同在于R1集中在技术原理，提到了NSA的结构、模式和训练细节，不够全面。而Grok3有点过于全面了，基本上跟看一篇论文差不多，有意思的是它对于NSA方法的讲解特别细节，翻译过来后很容易就知道DeepSeek做了什么来理解长文本：
-
大图焦点：NSA 将文本分组成块并压缩它们以保持整体含义，就像总结一章一样。 -
细节重点：NSA 挑选出这些块中的关键细节，以确保没有遗漏任何重要的东西，比如突出显示关键句子。 -
本地焦点：NSA 查看附近的文本以了解上下文，类似于围绕一个单词阅读几句话以更好地理解它。
对了，这里提前预告一下下周DeepSeek要陆续五天开源新项目！！
这不比OpenAI十二天发布会实在多了！估计官网又要卡爆了，多囤点像百宝箱R1这样的到时候说不定能第一时间体验上。
三、对比分析与观点提炼
最后一part是考察模型在对比分析不同实体、事件或观点的时候，能不能准确找出关键的、多维度的差异。
第五个问题，还跟上一个问题联动了，
因为前天，Kimi的新论文又又又跟DeepSeek撞车了，
同样是解决长文本，杨植麟也亲自上场，只比DeepSeek晚了5个小时，也集中在了注意力。
对比分析一下 ‘Kimi新提出的MoBA注意力机制 ’ 和 ‘DeepSeek新提出的NSA注意力机制’ 这两种方法在长文本处理任务中的优缺点，并说明它们的实现原理。
-
R1回复
-
Grok3回复
根据R1和Grok3的回复来看，Kimi和DeepSeek这版注意力机制还是有挺大差异的。简单来说，
-
MoBA将文本分为块，并选择最相关的块，而NSA使用分层方法专注于关键部分，针对计算机硬件进行了优化。
-
MoBA很灵活，在全注意力和稀疏注意力之间切换，而NSA速度更快，特别是对于非常长的文本。
这一局的话，个人认为R1会小胜，因为Grok3的token就跟不要钱似的，给出了很多相同的信息，如果是第一次阅读想要了解全面信息的会比较喜欢，但是要快速了解论文方法之间的差异性的话，R1做的更好。
最后我们来超前预告一下，看看R1和Grok3怎么看快要包裹在GTP5里发布的o3模型：
请对比分析一下 Grok3 和 OpenAI o3 这两款模型的特点和优势，并总结它们各自的应用场景。
-
R1回复
-
Grok3回复
R1和Grok3基本都得到了Grok3和o3的性能指标、算力支持、成本和数据优势。不同的是R1在信息处理里，将o3当作已经在十二月发布的模型。
Grok3更搞笑，不知道是不是系统限制了，我跟他第一轮对话英文只完成了搜索没有输出结果，第二轮就开始说中文了。不过在后续的回复里面还是认可了o3的性能表现，没有给自己洗白。
三轮对决下来，R1和Grok3的深度搜索从信息源来说基本是两极，使用Grok3的时候记得用英文才能发挥性能。而针对深度搜索来说，最影响效果的反而是提问时候要注意主体清晰，Grok3、o3、NSA、甚至丢一个论文名字进去都会给你一个很不错的答案，但是科技公司这类模糊的指定就很容易负优化。
最让我感到惊喜的还是在效果上，个人体验已经能达到 OpenAI Deep Research的80%了。期待后续能有数据集能反馈更真实的性能表现。
写在最后
我没想到，zfb会以这么快的速度加入，
从传统搜索引擎的”大海捞针”，到DeepSeek-R1这类深度思考搜索的”按需造针”，我们见证着信息搜索的进化
而当越来越多的大众应用陆续接入DeepSeek时，带来了更进一步的改变，
我们将抛弃过去的搜索方式，而变成无时无刻的提问与思考。
这正是颠覆传统的第一步：
让追问不止于答案，让思考永不停歇。
@ 作者 / 卡尔 & 阿汤 @ 动手学AI知识库 / learnprompt.pro
（文：卡尔的AI沃茨）