DeepSeek R1은 추론 기능의 고급 모델 인 반면 멀티 태스킹 능력에서 몇 가지 한계를 나타냅니다. 식별 된 주요 제약 조건은 다음과 같습니다.
일반 기능 제한
멀티 태스킹에서 DeepSeek R1의 성능은 전임자, DeepSeek V3, 특히 기능 호출, 다중 회전 상호 작용 및 JSON 출력과 같은 복잡한 작업에서 강력하지 않습니다. 이것은 다양한 작업을 처리 할 수 있지만, 여러 단계 또는 컨텍스트에 걸쳐 지속적인 추론이 필요한보다 복잡한 시나리오에서 그 효과가 감소 함을 나타냅니다 [1].언어 혼합 문제
이 모델은 주로 영어와 중국어에 최적화되어 있으며 다른 언어로 쿼리를 처리 할 때 언어 믹싱으로 이어질 수 있습니다. 이로 인해 사용자의 기대 또는 쿼리의 의도 된 언어와 일치하지 않을 수있는 출력이 발생하여 더 넓은 청중에 대한 유용성을 복잡하게 만듭니다 [1] [4].
Ad
프롬프트에 대한 민감도
DeepSeek R1은 프롬프트 구조에 대한 높은 감도를 보여줍니다. 소수의 프롬프트 기술로 성능이 저하되어 출력 품질이 저하됩니다. 대신 최적의 성능을 위해 명확하고 간결한 지침으로 제로 샷 프롬프트를 사용하는 것이 좋습니다. 이 감도는 다른 작업과 사용자 입력에 대한 적응성을 방해 할 수 있습니다 [2] [8].효율성 문제
이 모델은 특히 소프트웨어 엔지니어링 작업에서 강화 학습 (RL) 프로세스의 효율성과 관련된 과제에 직면 해 있습니다. RL 교육과 관련된 긴 평가 시간으로 인해 DeepSeek R1 은이 도메인에서 이전 모델보다 훨씬 성능이 우수하지 않았습니다. 거부 샘플링 및 비동기 평가와 같은 방법을 통해 이러한 효율성 문제를 해결할 것으로 예상된다 [1] [7].출력 품질 및 추론 깊이
DeepSeek R1은 반사적 인 추론을 허용하는 사고 방식을 사용하지만 때로는 동점과 혼란스러운 출력으로 이어질 수 있습니다. 이 모델은 복잡한 문제 해결 중 일관성을 유지하는 데 어려움을 겪을 수 있으며, 불규칙하거나 초점이 맞지 않는 출력이 발생합니다. 이 특성은 반응의 명확성과 유용성을 방해 할 수있다 [2] [3].요약하면, DeepSeek R1은 대형 언어 모델에 대한 추론 기능의 상당한 발전을 나타내지 만, 멀티 태스킹 능력은 복잡성 취급, 언어 처리, 신속한 감도, 특정 도메인의 효율성 및 출력 일관성과 관련된 문제에 의해 제한됩니다.
인용 :[1] https://arxiv.org/html/2501.12948v1
[2] https://www.qodo.ai/blog/qodo-gen-adds-self-host-forpport-for-deepseek-r1/
[3] https://www.reddit.com/r/localllama/comments/1i7fjqm/deepseek_r1_is_unusable_imho/
[4] https://www.hindustantimes.com/world-news/us-news/deepseek-ai-chinas-deepseek-r1-low-data-digital-assistant-mimpact-street-technology-market-global -101737978272938.html
[5] https://github.com/deepseek-ai/deepseek-r1/issues/26
[6] https://www.linkedin.com/pulse/deepseek-revolutizing-ai-open-source-reasoning-20-ramachandran-xakme
[7] https://adasci.org/mastering-llms-rissoning-capability-with-deepseek-r1/
[8] https://www.prompthub.us/blog/deepseek-r-1-model-overview-and-ranks-against-openais-o1
[9] https://www.vellum.ai/blog/the-training-of-deepseek-r1-and-ways-to-use-it
