DeepSeek-R1과 Cohere의 Command R (2024 년 8 월)은 모두 고급 언어 모델이지만 성능, 아키텍처 및 가격에 뚜렷한 차이를 나타냅니다.
건축 및 훈련 :
-DeepSeek-R1은 671 억 개의 매개 변수 혼합물 (MOE) 모델이며 토큰 당 370 억 활성화 매개 변수입니다. 그것은 추론 능력에 중점을 둔 대규모 강화 학습을 사용하여 교육을 받았습니다. 이 모델은 강화 학습의 두 단계와 감독 된 미세 조정의 두 단계를 통합하여 추론과 비 계급 능력을 향상시킵니다 [1] [3].
-Cohere가 개발 한 Command R (2024 년 8 월)은 강화 된 다국어 검색 생성 생성 (RAG) 및 공구 사용 기능을 특징으로합니다. 그것은 수학, 코드 및 추론 과제가 탁월하여 전임자 명령 R+[1] [3]와 비슷한 결과를 제공합니다.
성능 벤치 마크 :
-DeepSeek-R1은 수학 및 코드 작업을 포함한 많은 추론 벤치 마크에서 OpenAI의 O1 모델과 비교하여 수행됩니다. Alpacaeval 2.0 및 Arenahard와 같은 창의적이고 긴 컨텍스트 작업에 탁월 하여이 영역의 다른 모델보다 우수합니다 [2]. DeepSeek-R1은 MMLU 벤치 마크에서 90.8%, MMLU-PRO에서 84%를 기록하여 강력한 추론 능력을 보여주었습니다 [1].
-MMLU 벤치 마크에서 67%, Humaneval에서 70%의 점수를 달성하여 코드 생성 및 문제 해결에서 견고한 성능을 나타냅니다 [1]. 그러나 MMLU-Pro 및 기타 특정 추론 벤치 마크에 대한 성능은보고되지 않았습니다.
가격 및 비용 :
-SeepSeek-R1은 Command R (2024 년 8 월)보다 훨씬 비싸고 입력 비용은 백만 마리의 토큰 당 $ 0.55이고 출력 비용은 백만 토큰 당 $ 2.19입니다. 이로 인해 입력 및 출력 토큰 모두에 대해 대략 3.7 배 더 비쌉니다 [1] [3].
-20224 년 8 월)는 저렴한 비용을 제공하며, 입력 토큰 가격은 백만 달러당 $ 0.15, 출력 토큰은 백만 달러당 0.60 달러입니다 [1] [4].
오픈 소스 및 커뮤니티 :
-DeepSeek-R1은 오픈 소스이며 커뮤니티 중심의 개선 및 수정이 가능합니다. 이러한 개방성은보다 투명한 개발 및 커스터마이즈 가능성으로 이어질 수있다 [1] [5].
-2024 년 8 월)는 오픈 소스가 아니므로 개발 및 커스터마 화에 커뮤니티의 참여를 제한합니다 [1].
신속한 감도 :
-Deepseek-R1은 프롬프트에 민감하며, 소수의 프롬프트는 종종 성능을 저하시키는 데 민감합니다. 최적의 결과에 대한 명확한 지침으로 제로 샷 프롬프트를 사용하는 것이 좋습니다 [2].
- 사용 가능한 정보에서 명령 R (2024 년 8 월)에 대한 신속한 감도에 대한 구체적인 언급은 없습니다.
요약하면, 두 모델 모두 강력한 추론 기능을 가지고 있지만 DeepSeek-R1은 특정 벤치 마크에서 뛰어나고 오픈 소스 유연성을 제공하지만 더 높은 비용으로 제공합니다. Command R (2024 년 8 월)은 비용 효율적이며 코드 생성과 같은 특정 영역에서 경쟁력있는 성능을 제공합니다.
인용 :
[1] https://docsbot.ai/models/compare/command-r-08-2024/deepseek-r1
[2] https://www.prompthub.us/blog/deepseek-r-1-model-overview-and-ranks-against-openais-o1
[3] https://docsbot.ai/models/compare/deepseek-r1/command-r-08-2024
[4] https://artificialanalysis.ai/models/command-r
[5] https://blog.promptlayer.com/deepseek-r1-vs-o1/
[6] https://artificialanalysis.ai/models
[7] https://artificialanalysis.ai/models/command-r-03-2024
[8] https://explodingtopics.com/blog/list-of-llms