Deepseek R1, enquanto um modelo avançado em recursos de raciocínio, exibe várias limitações em suas habilidades multitarefa. Aqui estão as principais restrições identificadas:
Limitações gerais de capacidade
O desempenho do DeepSeek R1 em multitarefa não é tão robusto quanto seu antecessor, Deepseek V3, particularmente em tarefas complexas, como chamadas de funções, interações multi-turn e saída JSON. Isso indica que, embora possa lidar com várias tarefas, sua eficácia diminui em cenários mais complexos que exigem raciocínio sustentado em várias etapas ou contextos [1].problemas de mistura de idiomas
O modelo é otimizado principalmente para inglês e chinês, o que pode levar à mistura de idiomas ao processar consultas em outros idiomas. Isso resulta em saídas que podem não se alinhar com as expectativas do usuário ou com o idioma pretendido da consulta, complicando assim sua usabilidade para um público mais amplo [1] [4].Sensibilidade ao solicitação
Deepseek R1 mostra uma alta sensibilidade à estrutura dos avisos. Ele tem um desempenho ruim com técnicas de estimativa de poucas fotos, que geralmente degradam sua qualidade de saída. Em vez disso, é recomendável usar zero acumulação com instruções claras e concisas para obter o desempenho ideal. Essa sensibilidade pode prejudicar sua adaptabilidade em diferentes tarefas e entradas do usuário [2] [8].preocupações de eficiência
O modelo enfrenta desafios relacionados à eficiência durante os processos de aprendizado de reforço (RL), particularmente em tarefas de engenharia de software. Devido a longos tempos de avaliação associados ao treinamento de RL, o Deepseek R1 não superou significativamente os modelos anteriores nesse domínio. Prevê -se que melhorias futuras abordem esses problemas de eficiência por meio de métodos como amostragem de rejeição e avaliações assíncronas [1] [7].Qualidade de saída e profundidade de raciocínio
Enquanto o Deepseek R1 emprega uma abordagem de cadeia de pensamento que permite o raciocínio reflexivo, isso às vezes pode levar a saídas detalhadas e verbas. O modelo pode ter dificuldade em manter a coerência durante a solução complexa de problemas, resultando em resultados que parecem irregulares ou sem foco. Essa característica pode prejudicar a clareza e a utilidade de suas respostas [2] [3].Em resumo, embora o Deepseek R1 represente um avanço significativo nos recursos de raciocínio para grandes modelos de idiomas, suas habilidades multitarefa são restringidas por questões relacionadas ao manuseio da complexidade, processamento de idiomas, sensibilidade imediata, eficiência em domínios específicos e coerência de saída.
Citações:[1] https://arxiv.org/html/2501.12948v1
[2] https://www.qodo.ai/blog/qodo-gen-adds-self-hosted-sepport-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-sistant-impacto-parede-street-technology-market-Global -101737978272938.html
[5] https://github.com/deepseek-ai/deepseek-r1/issues/26
[6] https://www.linkedin.com/pulse/deepseek-revolutioning-ai-open-source-reonomening-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-ow-it-ranks-against-openais-o1
[9] https://www.vellum.ai/blog/the-trening-ofdeepseek-r1-and-ways-to-use-it