Pencarian Dalam-R1
Waktu rilis: 2025/01/20
Fitur: Dirancang untuk pembuatan kode dan masalah matematika, sangat cepat dan akurat, menjadikannya ideal untuk skenario yang memerlukan implementasi persyaratan teknis yang cepat. Tolok ukur OpenAI o1, yang sekarang menjadi arah terpanas di bidang model besar AI, mewakili cadangan penelitian paling mutakhir.
Orang yang berlaku: programmer, pengembang, mahasiswa sains dan teknik.
Skenario aplikasi: Menulis kode, memecahkan masalah matematika, dan mengoptimalkan algoritme.
Referensi:Login hyperlink terlihat.
Pencarian Dalam-V3
Waktu posting: 2024/12/26
Fitur: Cocok untuk kuis pengetahuan umum, pembuatan teks, dan alat bantu pembelajaran, dengan cakupan yang luas tetapi profesionalisme sedikit lebih lemah. Patokannya adalah GPT4o, yang mewakili kecerdasan umum paling mendasar dari model besar.
Orang yang berlaku: siswa, pencipta, penanya pengetahuan sehari-hari.
Skenario aplikasi: Tulis artikel, temukan materi, pelajari konsep baru.
Referensi:Login hyperlink terlihat.
ringkasan
| | | | Menggunakan metode pelatihan tradisional, ini terutama bergantung pada sejumlah besar data untuk dipelajari. | Terapkan pendekatan pembelajaran penguatan yang memungkinkan model meningkatkan kemampuannya melalui eksperimen dan peningkatan berkelanjutan. | | Melakukan tugas umum dengan baik tetapi mungkin terbatas dalam masalah yang membutuhkan pemikiran mendalam. | Unggul dalam tugas-tugas yang membutuhkan pemikiran mendalam, seperti matematika, kode, dan penalaran logis. | | Mungkin ada beberapa keterbatasan. | Sepenuhnya open source, siapa pun dapat menggunakan dan meningkatkannya secara gratis. | | Melakukan beberapa tugas dengan baik. | Dalam tes matematika, tingkat akurasi mencapai 77,5%, yang sebanding dengan model terkemuka lainnya. | | Konten yang dihasilkan biasanya mudah dibaca dan dipahami. | Versi awal mungkin telah mencampur beberapa bahasa, tetapi kemudian dengan peningkatan, konten yang dihasilkan menjadi lebih mudah dibaca. |
- Metode pelatihan:Bayangkan Anda sedang belajar mengendarai sepeda. DeepSeek-V3 seperti belajar dengan membaca banyak buku tentang cara mengendarai sepeda, sedangkan DeepSeek-R1 belajar mengendarai sepeda dengan terus berlatih, jatuh, dan bangun.
- Kemampuan penalaran:Jika Anda diberi soal matematika yang kompleks, DeepSeek-R1 seperti teman sekelas yang pandai berpikir mendalam, mampu memperoleh jawaban selangkah demi selangkah, sedangkan DeepSeek-V3 mungkin lebih baik dalam soal perhitungan sederhana.
- Sumber Terbuka:DeepSeek-R1 seperti buku masak publik yang dapat dilihat oleh siapa saja, gunakan, dan tingkatkan sesuai seleranya, sedangkan resep DeepSeek-V3 mungkin hanya terlihat oleh beberapa orang.
- Performa:Dalam ujian matematika, DeepSeek-R1 mencetak 77,5 poin, yang setara dengan siswa top lainnya.
- Mudah dibaca:Awalnya, DeepSeek-R1 mungkin telah menulis artikel dalam campuran berbagai bahasa, tetapi telah ditingkatkan sehingga sekarang menulis artikel yang lebih mudah dibaca dan dipahami.
Perbedaan antara Deepseek V3 dan Deepseek R1 adalah bahwa R1 akan melakukan penalaran dan refleksi diri dan memberi Anda jawaban setelah berpikir panjang, sedangkan Deepseek V3 dapat memberi Anda jawaban dengan cepat dan tidak akan berpikir untuk waktu yang lama. Saat ini, sebagian besar percobaan menunjukkan bahwa output model setelah berpikir panjang lebih baik, tetapi juga lebih memakan waktu, dan terkadang pemikiran berlebihan juga dilakukan. |
Dipaparkan pada 2025-2-5 08:46:09
|
|
|
|
Tuan tanah|
Dipaparkan pada 2025-2-5 09:47:07
|
