DeepSeek R1, mens en avanceret model i ræsonnementsfunktioner udviser flere begrænsninger i dens multitasking -evner. Her er de vigtigste begrænsninger identificeret:
Generelle kapacitetsbegrænsninger
Deepseek R1's præstation i multitasking er ikke så robust som sin forgænger, Deepseek V3, især i komplekse opgaver som funktionskald, multi-drejningsinteraktioner og JSON-output. Dette indikerer, at selvom det kan håndtere forskellige opgaver, mindskes dens effektivitet i mere komplicerede scenarier, der kræver vedvarende begrundelse på tværs af flere trin eller sammenhænge [1].Sprog blandingsproblemer
Modellen er primært optimeret til engelsk og kinesisk, hvilket kan føre til sprogblanding, når man behandler forespørgsler på andre sprog. Dette resulterer i output, der muligvis ikke stemmer overens med brugerens forventninger eller det tilsigtede sprog i forespørgslen, og derved komplicerer dens anvendelighed for et bredere publikum [1] [4].Følsomhed over for tilskyndelse
Deepseek R1 viser en høj følsomhed over for strukturen af promp. Det fungerer dårligt med få skudteknikker, der ofte nedbryder sin outputkvalitet. I stedet anbefales det at bruge nul-shot, der beder med klare og kortfattede instruktioner for optimal ydeevne. Denne følsomhed kan hindre dens tilpasningsevne på tværs af forskellige opgaver og brugerindgange [2] [8].Effektivitetsproblemer
Modellen står over for udfordringer relateret til effektivitet under forstærkningslæringsprocesser (RL), især inden for softwareingeniøropgaver. På grund af lange evalueringstider forbundet med RL -træning har Deepseek R1 ikke signifikant overgået tidligere modeller inden for dette domæne. Fremtidige forbedringer forventes at tackle disse effektivitetsproblemer gennem metoder som afvisningsprøvetagning og asynkrone evalueringer [1] [7].Outputkvalitet og ræsonnementdybde
Mens Deepseek R1 anvender en kæde af tanke -tilgang, der giver mulighed for reflekterende ræsonnement, kan dette undertiden føre til verbose og rodede output. Modellen kan kæmpe med at opretholde sammenhæng under kompleks problemløsning, hvilket resulterer i output, der føles uberegnelige eller ufokuserede. Denne egenskab kan forringe klarheden og anvendeligheden af dens svar [2] [3].Sammenfattende, mens Deepseek R1 repræsenterer en betydelig udvikling i ræsonnementsfunktioner til store sprogmodeller, er dens multitasking -evner begrænset af spørgsmål, der er relateret til kompleksitetshåndtering, sprogbehandling, hurtig følsomhed, effektivitet i specifikke domæner og output -koherens.
Citater:[1] https://arxiv.org/html/2501.12948v1
)
[3] https://www.reddit.com/r/localllama/comments/1i7fjqm/deepseek_r1_is_unusable_imho/
) -101737978272938.html
[5] https://github.com/deepseek-i/deepseek-r1/issues/26
[6] https://www.linkedin.com/pulse/deepseek-revolutionizing-i-open-source-reasoning-20-ramachandran-xakme
[7] https://adasci.org/mastering-llms-reasoning-capability-with deepseek-r1/
[8] https://www.prompthub.us/blog/deepseek-r-1-model-overview-and-how-t-ranks-genainst-openais-o1
[9] https://www.vellum.ai/blog/the-training- af-deepseek-r1-og-veje-til-brug-it