DeepSeek-R1 e Cohere's Command R (agosto 2024) sono entrambi modelli di linguaggio avanzato, ma mostrano differenze distinte nelle prestazioni, nell'architettura e nei prezzi.
Architettura e formazione:
-DeepSeek-R1 è un modello di miscela di esperti di 671 miliardi di parametri (MOE), con 37 miliardi di parametri attivati per token. È stato addestrato utilizzando l'apprendimento di rinforzo su larga scala, concentrandosi sulle capacità di ragionamento. Questo modello incorpora due fasi dell'apprendimento del rinforzo e due fasi di perfezionamento supervisionato per migliorare le capacità di ragionamento e non stagionamento [1] [3].
- Command R (agosto 2024), sviluppato da Cohere, presenta funzionalità di generazione (RAG) e di utilizzo degli strumenti. Eccelle in matematica, codice e attività di ragionamento, fornendo risultati paragonabili al suo predecessore, comando r+[1] [3].
Benchmark per le prestazioni:
- DeepSeek-R1 si esibisce comparabilmente al modello O1 di Openi in molti benchmark di ragionamento, tra cui attività di matematica e codice. Eccelle in compiti creativi e a lungo termine come Alpacaeval 2.0 e Arenehard, sovraperformando altri modelli in queste aree [2]. DeepSeek-R1 ha segnato il 90,8% sul benchmark MMLU e l'84% su MMLU-PRO, dimostrando forti capacità di ragionamento [1].
- Il comando R (agosto 2024) raggiunge un punteggio del 67% sul benchmark MMLU e il 70% su HumanEval, indicando prestazioni solide nella generazione del codice e nella risoluzione dei problemi [1]. Tuttavia, le sue prestazioni su MMLU-PRO e altri benchmark di ragionamento specifici non sono riportate.
Prezzi e costi:
- DeepSeek-R1 è significativamente più costoso di Comando R (agosto 2024), con costi di input a $ 0,55 per milione di token e costi di produzione a $ 2,19 per milione di token. Ciò lo rende circa 3,7 volte più costoso per i token di input e di output [1] [3].
- Command R (agosto 2024) offre costi inferiori, con token di input al prezzo di $ 0,15 per milione e token di uscita a $ 0,60 per milione [1] [4].
Open-source and Community:
-DeepSeek-R1 è open-source, consentendo miglioramenti e modifiche guidate dalla comunità. Questa apertura può portare a possibilità di sviluppo e personalizzazione più trasparenti [1] [5].
- Command R (agosto 2024) non è open source, limitando il coinvolgimento della comunità nel suo sviluppo e personalizzazione [1].
Sensibilità prompt:
-DeepSeek-R1 è sensibile alle istruzioni, con pochi colpi che spingono spesso le sue prestazioni. Si consiglia di utilizzare un suggerimento a scatto zero con istruzioni chiare per risultati ottimali [2].
- Non vi è alcuna menzione specifica della sensibilità rapida per il comando R (agosto 2024) nelle informazioni disponibili.
In sintesi, mentre entrambi i modelli hanno forti capacità di ragionamento, DeepSeek-R1 eccelle in alcuni parametri di riferimento e offre flessibilità open source, ma a un costo più elevato. Il comando R (agosto 2024) è più conveniente e fornisce prestazioni competitive in aree specifiche come la generazione di codice.
Citazioni:
[1] https://docsbot.ai/models/compare/command-r-08-2024/deepseek-r1
[2] https://www.pompthub.us/blog/deepseek-1-model-overview-and-how-it-larks-against-openais-o1
[3] https://docsbot.ai/models/compare/deepseek-r1/command-r-08-2024
[4] https://artificialalanysis.ai/models/command-r
[5] https://blog.promptlayer.com/deepseek-r1-vs-o1/
[6] https://artificialanalysis.ai/models
[7] https://artificialalanysis.ai/models/command-r-03-2024
[8] https://explodingtopics.com/blog/list-of-llms