Deepseek R1, sementara model canggih dalam kemampuan penalaran, menunjukkan beberapa batasan dalam kemampuan multitaskingnya. Berikut adalah kendala utama yang diidentifikasi:
Keterbatasan Kemampuan Umum
Kinerja Deepseek R1 dalam multitasking tidak sekuat pendahulunya, Deepseek V3, terutama dalam tugas-tugas kompleks seperti panggilan fungsi, interaksi multi-turn, dan output JSON. Ini menunjukkan bahwa sementara ia dapat menangani berbagai tugas, efektivitasnya berkurang dalam skenario yang lebih rumit yang membutuhkan penalaran berkelanjutan di berbagai langkah atau konteks [1].Masalah pencampuran bahasa
Model ini terutama dioptimalkan untuk bahasa Inggris dan Cina, yang dapat menyebabkan pencampuran bahasa saat memproses kueri dalam bahasa lain. Ini menghasilkan output yang mungkin tidak selaras dengan harapan pengguna atau bahasa kueri yang dimaksud, sehingga memperumit kegunaannya untuk audiens yang lebih luas [1] [4].Sensitivitas terhadap diminta
Deepseek R1 menunjukkan sensitivitas tinggi terhadap struktur petunjuk. Ini berkinerja buruk dengan beberapa teknik yang diminta, yang sering menurunkan kualitas outputnya. Sebagai gantinya, disarankan untuk menggunakan dorongan nol-shot dengan instruksi yang jelas dan ringkas untuk kinerja optimal. Sensitivitas ini dapat menghambat kemampuan beradaptasi di berbagai tugas dan input pengguna [2] [8].Kekhawatiran efisiensi
Model ini menghadapi tantangan terkait dengan efisiensi selama proses pembelajaran penguatan (RL), terutama dalam tugas rekayasa perangkat lunak. Karena waktu evaluasi yang lama terkait dengan pelatihan RL, Deepseek R1 belum secara signifikan mengungguli model sebelumnya dalam domain ini. Perbaikan di masa depan diantisipasi untuk mengatasi masalah efisiensi ini melalui metode seperti pengambilan sampel penolakan dan evaluasi asinkron [1] [7].kualitas output dan kedalaman penalaran
Sementara Deepseek R1 menggunakan rangkaian pendekatan pemikiran yang memungkinkan penalaran reflektif, ini kadang -kadang dapat menyebabkan output yang bertele -tele dan berantakan. Model ini mungkin berjuang untuk mempertahankan koherensi selama pemecahan masalah yang kompleks, menghasilkan output yang terasa tidak menentu atau tidak fokus. Karakteristik ini dapat mengurangi kejelasan dan kegunaan responsnya [2] [3].Singkatnya, sementara Deepseek R1 mewakili kemajuan yang signifikan dalam kemampuan penalaran untuk model bahasa besar, kemampuan multitaskingnya dibatasi oleh masalah yang terkait dengan penanganan kompleksitas, pemrosesan bahasa, sensitivitas yang cepat, efisiensi dalam domain spesifik, dan koherensi output.
Kutipan:[1] https://arxiv.org/html/2501.12948v1
[2] https://www.qodo.ai/blog/qodo-gen-adds-self-hosted-support-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-ancsistant-mpact-wall-street-teknologi-market-global -101737978272938.html
[5] https://github.com/deepseek-ai/deepseek-r1/issues/26
[6] https://www.linkedin.com/pulse/deepseek-revolutionizing-ai-open-source-cheasoning-20-ramachandran-xakme
[7] https://adasci.org/mastering-llms-reasoning-capability-with-deepseek-r1/
[8] https://www.prompthub.us/blog/deepseek-r-1-model-oveview-and-how-it-ranks-against-openais-o1
[9] https://www.vellum.ai/blog/the-training-of-deepseek-r1-and-ways-to-use-it