mola

大模型拥有万亿参数，但依旧需要最新的资料支持。庞大的互联网充满了各种低质资源、过时信息与大量噪声，以及与你真正要解决的问题无关的内容，结合 MolaGPT 在三年来运营的过程中得到的经验和内部的 Benchmark，今天推出 MolaGPT Web Search.

MolaGPT Web Search 会根据问题寻找合适的来源，把文字、图片和网页阅读结合起来，让搜索可以更直接地帮助我们完成手头的事情。你可以像平时一样向 MolaGPT 提问。查最新消息、找专业资料、整理旅行攻略，或者直接上传一张想了解的照片，搜索会随着问题自然展开。

更合适的信息来源

对一次搜索来说，找到相关网页只是开始。资料是否适合当前的问题，是否来自我们真正需要的网站，同样影响最后的回答。

比如，用户用中文去了解一个陌生的研究方向，中文综述有助于先建立概念框架，而英文论文则能进一步补充前沿进展；去查某个软件或开源库的用法，项目的官方文档和代码仓库通常比泛泛而谈的二手介绍直接得多。为此，MolaGPT Web Search 会结合问题的语言、领域特征和图片需求，动态选择相应的检索来源。

MolaGPT Web Search 整合了多种搜索服务提供商，分别用于中文资料、英文与技术信息、图文与视觉检索，以及地域和研究场景，它们在 MolaGPT 生态内共同提供搜索能力。

我们内部的 Benchmark 结果显示，单一搜索服务商在跨语言场景下往往存在明显的偏科现象，在 39 道中文查询与 17 道英文查询的选源测试中，偏中文生态的 Provider A（64%）、Provider B（56%）和通用型的 Provider D（56%）在中文里表现尚可，但使用英文关键词查询后，前三条结果的目标来源命中率分别下降到了 53%、35% 和 53%；反过来，Provider C 在英文查询里能拿到 82% 的高分，到了中文查询却只有 51%。

在中文（39 道）与英文（17 道）查询中，前三条结果的目标来源名单覆盖结果。

MolaGPT Web Search 把这些能力收拢在同一个入口里：在中文查询上我们取得了 72% 的目标来源覆盖率，超过了所有单一搜索源，同时在英文查询上保持了 82% 的最高水准。

为了测试这套系统在真实复杂场景下的端到端表现，我的 Benchmark 还整理了 60 道更具体的测试题，涵盖公司财报、政策法规、技术文档、学术论文、公共服务，以及专门用来测试抗干扰能力的“带有错误前提的问题”。在评测前，我人工查阅了对应的官方文件、原始论文和项目文档作为基准的预期答案，再逐条核对各家搜索实际返回的材料。

我们内部的 Benchmark 结果显示，MolaGPT Web Search 在 60 道题中有 53 道（53/60） 的前六条结果包含了核查问题所需的完整证据，46 道（46/60） 直接找到了相关的官方或原始来源，并且在其中找到了具体的答案。

横向对比来看，传统 Agent 常用的 Provider D 在完整证据覆盖上只有 34/60，官方或原始来源命中率更是只有 6/60（10%）；MolaGPT Web Search 的表现也稳定高于单独调用 Provider A（49/60 与 42/60）。

60 道问题，分别统计前六条结果的完整证据与官方或原始来源结果。

财经、论文和技术文档

日常搜索里，有不少问题属于很具体的垂直领域。MolaGPT Web Search 会根据这些差别调度资料来源，财经查询可以找到市场资讯、财经媒体和数据平台；论文查询则可以利用中文文献入口、DOI 和出版平台，继续查找相关研究。

我们内部的 Benchmark 结果显示，首轮领域检索测试里，我们的 MolaGPT Web Search 方案弥合了单一来源的短板，在 4 道财经查询和 8 道论文查询中，前三条结果的目标来源覆盖率均达到 100%（4/4 与 8/8）。

财经 4 道、论文 8 道查询，统计前三条结果的目标来源结果。

在扩展测试中，面对财报量纲换算（如宁德时代年报的“千元”与腾讯报表的“百万元”）和论文发表版本区分等细节，6 道财报与统计问题中有 5 道返回了完整证据，9 道论文与科研规范问题全部找到了可核对关键事实的资料。

而在技术文档领域上，内部 Benchmark 结果显示，首轮 10 道技术查询中，Provider A 和 Provider B 的前三条结果仅命中 1 道官方文档，Provider D 命中 3 道，Provider C 命中 9 道；而 MolaGPT Web Search 全部 10 道（10/10） 都在前三条结果里找到了目标项目的官方文档，为本组最高。

10 道技术查询中，前三条结果的项目官方文档覆盖结果。

扩展后的 16 道技术文档问题（涵盖 Python TaskGroup、PostgreSQL json 与 jsonb、Kubernetes 探针及 Nginx 超时参数等）也全部返回了完整证据。另外补测的 12 道指定网站、版本或时间范围的查询中，MolaGPT 有 9 道找到了符合明确条件的结果，其中 8 道同时提供了完整证据。

除了检索质量，响应速度和成本也是 Agent 工程化中重要的一环，我们内部的 Benchmark 结果显示，Provider C 与 Provider D 虽然响应速度较快，但单次调用成本分别约为 0.036 元和 0.058 元；Provider B 则在中位数延迟上明显偏慢。通过我们的动态路由，MolaGPT Web Search 将端到端中位延迟控制在 910 ms，单次均摊成本压缩至约 0.005 元，这不到 Provider C 的七分之一、Provider D 的十分之一。

各搜索服务的端到端中位延迟与单次调用预估成本对比（越靠近左下方即代表服务越便宜且延迟越低）。

我将这套搜索能力接入了所有的 MolaGPT 生态，在桌面端和移动端登录 MolaGPT 账号后，自定义模型的本地对话也可以使用 MolaGPT 提供的内置搜索服务。MolaGPT Web Search 将占用少量账号额度。

从一张照片开始

如果连搜索词都还没有，也可以直接上传图片，或者发来图片链接。

MolaGPT 的以图搜图可以根据照片寻找相关网页和出处，再利用这些线索继续检索。看到一张风景照，可以查找拍摄地点和相关游记；遇到一张网图，也可以尝试寻找它出现过的页面。

这类问题可以直接围绕图片展开。我把一张建筑照片的链接发给 MolaGPT，请它用以图搜图核实地点，并给出网页依据。它调用了以图搜图工具，识别出照片中的黄鹤楼，并列出了相关页面。

从照片出发，查找地点和相关网页。

拿到线索后，MolaGPT 可以接着阅读相关页面、核对地点，或者寻找更多角度的照片。从上传图片到继续了解图片里的内容，整个过程可以在同一场对话中完成。

Web 端的另外两项更新

继续电脑上的任务

Web 端新增了我的电脑入口，可以查看和继续桌面端的 MolaGPT 会话。

在网页中连接电脑，继续提问并查看工具使用与回答。

Web Chat 上的子 Agent

Web 端也加入了子 Agent 协作。面对可以拆开的任务，MolaGPT 可以让多个子 Agent 同时处理不同部分，再结合它们的结果继续完成回答。

例如，核查一篇讨论 AI 公司估值与现金流的文章时，三个子 Agent 可以分别查找 OpenAI 融资、Anthropic 招股书和信用评级相关资料，主对话再结合它们的结果继续分析。

你可以在侧栏查看各个子任务的进度、使用过的工具和返回的报告，了解任务正在怎样推进。

同一篇文章的三个核查任务，以及主对话中的整理结果。

---

这次更新之后，MolaGPT 利用 MolaGPT Web Search 可以处理更丰富的搜索需求，需要多方面资料时，也可以结合子 Agent 同时查找。

如果你经常用 MolaGPT 查资料、整理攻略，或者根据图片寻找信息，可以试试新的搜索体验。