La página de documentación de GPT Researcher "Context Filter", reescrita el 26 de septiembre de 2026 por su creador Assaf Elovic, describe el paso que elige, entre las páginas extraídas, los pasajes que el modelo redactor realmente leerá. La presenta como la principal palanca sobre la calidad del informe después de la investigación misma.
Para cada subconsulta, las páginas se limitan a 50 000 caracteres y se dividen en fragmentos de 1000 caracteres. El filtro conserva como máximo diez fragmentos (veinticinco en modo por palabras clave), y luego los contextos de las subconsultas se unen y se pasan al redactor. El chat sobre un informe ya existente reutiliza la misma función.
Hay cinco modos disponibles. Por defecto, GPT Researcher usa Jev, un modelo de TypeSafe que no genera texto sino que responde preguntas tipadas con probabilidades calibradas. Cada fragmento recibe una puntuación de utilidad de 0 a 3 en una escala de cuatro niveles; solo se conservan los fragmentos con 1,5 o más. Las llamadas se hacen en paralelo, sesenta y cuatro a la vez, con un tiempo de filtrado mediano de unos 1,7 segundos y medio centavo por informe. Sin una clave de TypeSafe, o en caso de error, el sistema recurre a un ranking BM25 en Python puro, sin dependencias, que conserva los fragmentos que alcanzan la mitad de la puntuación del fragmento mejor clasificado. Ninguna configuración deja una ejecución sin contexto.
El benchmark repite 28 tareas reales, 20 preguntas de SimpleQA y 8 preguntas abiertas, exactamente sobre las páginas que se habían registrado, con el mismo modelo redactor. Solo varía el filtro. Jev alcanza el 73% de pasajes relevantes frente al 46% de los embeddings, y gana 15 comparaciones directas contra 3, con 10 empates, al mismo costo. El respaldo BM25 alcanza el 51% y gana 14 contra 6, un resultado considerado solo orientativo. Sin filtro, los informes abiertos ganan en alcance, pero cuestan un 65% más en promedio.
Dos hallazgos estructuran la página. Primero, el umbral importa más que el ranking: sin umbral, Jev cae al 50% y BM25 pierde frente a los embeddings. Segundo, la ganancia es una reducción de ruido: Jev envía 4,5k tokens en lugar de 7,6k, para una cantidad equivalente de texto relevante. SimpleQA, saturado entre 18 y 20 sobre 20, no discrimina en absoluto.
La página enumera sus limitaciones: 28 tareas, un único tipo de informe, redacción y evaluación por la misma familia de modelos. Los scripts de recolección, repetición y evaluación están publicados, junto con las métricas por ejecución, de modo que cualquiera pueda repetir la medición.