„Deepseeek-R1“ ir „Openai“ O1 modelis yra du pažangūs požiūriai į samprotavimo galimybes didelių kalbų modeliuose (LLM), kurių kiekvienas turi atskiras metodikas ir našumo charakteristikas.
samprotavimo galimybės
** „Deepseeek-R1“ naudojasi sustiprinimo mokymosi (RL) pirmiausia strategija, leidžiančia jai ugdyti samprotavimo įgūdžius ir nereikalaujant plačiai prižiūrimų derinimo (SFT). Šis modelis parodo pažangų samprotavimo elgseną, tokį kaip savęs patikrinimas, atspindys ir gebėjimas generuoti išsamius mąstymo grandinės (COT) atsakymus. Pranešama, kad jo atlikimas pagal samprotavimo užduotis yra panašus į „Openai-O1-1217“, ypač pasižyminčias matematiniais etalonais, tokiais kaip Aime ir Math-500, kur jis pasiekė atitinkamai 79,8% ir 97,3% tikslumą [1] [4] [5].
Priešingai, „Openai-O1“ buvo pripažintas už savo struktūrizuotus rezultatus ir sugebėjimą efektyviai tvarkyti sudėtingus kontekstus. Nors tam tikrais etalonais, ypač atliekant su kodomis susijusias užduotis, jis parodė aukštesnį rezultatą, „Deepseek-R1“ jį aplenkė atlikdami įvairius į samprotavimus orientuotus vertinimus [2] [6].
efektyvumas ir išlaidos
Pažymėtina, kad „Deepseek-R1“ yra už ekonominį efektyvumą, nes jis yra iki 95% pigesnis, palyginti su „Openai-O1“. Šis efektyvumas atsiranda dėl optimizuotos architektūros, kuriai reikia mažiau skaičiavimo išteklių, kartu užtikrinant aukštą našumą [2] [6]. Pirmasis RL metodas sumažina priklausomybę nuo masinių duomenų rinkinių, o tai yra reikšmingas veiksnys mažinant veiklos sąnaudas ir padaro pažangiausią AI prieinamą mažesnėms organizacijoms ir tyrėjams [2] [3].
plėtros laikas
„Deepseek-R1“ plėtros laikas buvo žymiai trumpesnis nei „Openai-O1“, kuriai reikėjo daugelio metų iteracinio mokymo su dideliais skaičiavimo ištekliais. Šis greitas vystymasis priskiriamas jos novatoriškiems mokymo metodams, kurie nuo pat pradžių pabrėžia stiprinimo mokymąsi [2] [6].
apribojimai
Nepaisant savo stipriųjų pusių, „Deepseek-R1“ turi tam tikrų apribojimų. Pavyzdžiui, tai gali kovoti su kalbų maišymu, tvarkant užklausas kitomis kalbomis nei anglų ar kinų kalbomis, ir tai parodė jautrumą raginimo metodams, atliekant geriau, esant nuliniam šūvio sąlygoms, o ne nedaugeliui paskatinimo [1] [4] [4] [4] [4] [4] [4] [4] [4] 6]. „Openai-O1“, nors ir paprastai tvirtesnis įvairiose užduotyse, ne visada gali atitikti „Deepseeek-R1“ efektyvumą ir ekonominį efektyvumą atliekant samprotavimo užduotis.
Apibendrinant galima pasakyti, kad nors abu modeliai demonstruoja stiprias samprotavimo galimybes, „Deepseeek-R1“ siūlo įtikinamą alternatyvą „Openai-O1“, suteikdama palyginamą našumą už nedidelę kainą ir padidėjusį efektyvumą naudojant unikalų mokymo metodą.
Citatos:[1] https://arxiv.org/html/2501.12948v1
[2] https://arbisoft.com/blogs/deep-seek-r1-the-chinese-ai-power-oterhous-outperforming-open- ai-s-o1-at-95- be-išlaidos
[3] https://huggingface.co/papers/2501.12948
[4] https://www.qodo.ai/blog/qodo-gen-adds-self-hosted-spport-for-se-deepseek-r1/
[5] https://www.deepseekr1.org/en
[6] https://www.prompthub.us/blog/deepseek-r-1-model-oveview-and-how-it-ranks-against-openais-o1
[7] https://arxiv.org/abs/2501.12948
[8] https://www.linkedin.com/pulse/comparling-deepseek-r1-openai-o1- which-ai-model-comes out-pablo-8wtxf