AI驅動的推理模型在2025年席捲世界！隨著DeepSeek-R1和O3-Mini的推出，我們在AI聊天機器人中看到了前所未有的邏輯推理能力。在本文中，我們將通過其API訪問這些模型，並評估其邏輯推理技能，以找出O3-Mini是否可以替換DeepSeek-R1。我們將比較它們在標準基準和現實世界中的性能，例如解決邏輯難題，甚至建立俄羅斯方塊遊戲！因此，搭扣並加入騎行。
目錄的
>
- deepseek-r1 vs o3-mini：邏輯推理基準
- >
- deepSeek-r1 vs o3-mini：api定價比較
-
任務1：構建俄羅斯四角
- 任務2：分析關係不等式
- 任務3：數學
邏輯推理比較比較摘要
deepseek-r1 vs o3-mini：邏輯推理基準
DeepSeek-R1和O3-Mini為結構化思維和推論提供了獨特的方法，使它們適合各種複雜的解決問題的任務。在我們談論他們的基準性能之前，讓我們首先偷偷窺視這些模型的架構。
O3米尼是Openai最先進的推理模型。它使用密集的變壓器體系結構，使用所有模型參數處理每個令牌，以實現強大的性能，但資源很高。相比之下，DeepSeek最合乎邏輯的模型R1採用了Experts（MOE）框架的混合物，僅激活每個輸入的參數子集，以提高效率。這使DeepSeek-R1在保持穩定的性能的同時更具可擴展性和計算優化。
了解更多：Openai的O3米尼比DeepSeek-R1更好？
現在，我們需要看到的是這些模型在邏輯推理任務中的表現如何。首先，讓我們看一下他們在LiveBench基準測試中的表現。 >
來源：livebench.ai
>基準結果表明，除了數學外，Openai的O3-Mini幾乎在幾乎所有方面都優於DeepSeek-R1。與DeepSeek的71.38相比，全球平均得分為73.94，O3-Mini的總體表現稍強。它在推理方面尤其出色，與DeepSeek的83.17相比，達到89.58，反映了出色的分析和解決問題的能力。
也閱讀：Google Gemini 2.0 Pro vs DeepSeek-R1：編碼更好？
deepSeek-r1 vs o3-mini：API定價比較
>由於我們正在通過其API測試這些模型，讓我們看看這些模型的成本。 >
| Model |
Context length |
Input Price |
Cached Input Price |
Output Price |
| o3-mini |
200k |
.10/M tokens |
.55/M tokens |
.40/M tokens |
| deepseek-chat |
64k |
.27/M tokens |
.07/M tokens |
.10/M tokens |
| deepseek-reasoner |
64k |
.55/M tokens |
.14/M tokens |
.19/M tokens |
在桌子上可以看出，Openai的O3-Mini在API成本方面幾乎是DeepSeek R1的兩倍。它收費為每百萬個代幣，輸入為每百萬個代幣，產出$ 4.40，而DeepSeek R1的投入率更高的價格為每百萬個代幣的成本效益更高，輸入為2.19美元，而產出的價格為2.19美元，使其成為大型應用程序的預算友好選擇。
來源：DeepSeek-r1 | O3-Mini
如何通過API 訪問DeepSeek-R1和O3-Mini
>在進行動手績效比較之前，讓我們學習如何使用API訪問DeepSeek-R1和O3-Mini。
您為此所要做的就是導入必要的庫和API鍵：>
from openai import OpenAI
from IPython.display import display, Markdown
import time
登入後複製
登入後複製
登入後複製
with open("path_of_api_key") as file:
openai_api_key = file.read().strip()登入後複製
登入後複製
with open("path_of_api_key") as file:
deepseek_api = file.read().strip()登入後複製
>現在我們已經獲得了API訪問權限，讓我們根據其邏輯推理能力比較DeepSeek-R1和O3-Mini。為此，我們將在模型中給出相同的提示，並根據這些指標評估它們的響應：
模型花費的時間生成響應的時間
生成的響應的質量，
- 產生響應的成本。
>
-
然後，我們將根據其性能為每個任務的模型0或1分為0或1。因此，讓我們嘗試一下任務，看看誰在DeepSeek-R1與O3-Mini推理之戰中成為贏家！
任務1：構建俄羅斯方塊遊戲-
此任務要求模型使用Python實現功能齊全的Tetris遊戲，有效地管理遊戲邏輯，零件移動，碰撞檢測和渲染，而無需依賴外部遊戲引擎。
提示：
>
“為此問題編寫Python代碼：為Tetris Game生成Python代碼”
>輸入到DeepSeek-R1 API>
DeepSeek-R1
>
INPUT_COST_CACHE_HIT = 0.14 / 1_000_000 # <pre class="brush:php;toolbar:false">task1_start_time = time.time()
client = OpenAI(api_key=api_key)
messages = messages=[
{
"role": "system",
"content": """You are a professional Programmer with a large experience ."""
},
{
"role": "user",
"content": """write a python code for this problem: generate a python code for Tetris game.
"""
}
]
# Use a compatible encoding (cl100k_base is the best option for new OpenAI models)
encoding = tiktoken.get_encoding("cl100k_base")
# Calculate token counts
input_tokens = sum(len(encoding.encode(msg["content"])) for msg in messages)
completion = client.chat.completions.create(
model="o3-mini-2025-01-31",
messages=messages
)
output_tokens = len(encoding.encode(completion.choices[0].message.content))
task1_end_time = time.time()
input_cost_per_1k = 0.0011 # Example: <pre class="brush:php;toolbar:false">INPUT_COST_CACHE_HIT = 0.14 / 1_000_000 # <pre class="brush:php;toolbar:false">task2_start_time = time.time()
client = OpenAI(api_key=api_key)
messages = [
{
"role": "system",
"content": """You are an expert in solving Reasoning Problems. Please solve the given problem"""
},
{
"role": "user",
"content": """In the following question, assuming the given statements to be true, find which of the conclusions among given conclusions is/are definitely true and then give your answers accordingly.
Statements: H > F ≤ O ≤ L; F ≥ V < D
Conclusions:
I. L ≥ V
II. O > D
The options are:
A. Only I is true
B. Only II is true
C. Both I and II are true
D. Either I or II is true
E. Neither I nor II is true
"""
}
]
# Use a compatible encoding (cl100k_base is the best option for new OpenAI models)
encoding = tiktoken.get_encoding("cl100k_base")
# Calculate token counts
input_tokens = sum(len(encoding.encode(msg["content"])) for msg in messages)
completion = client.chat.completions.create(
model="o3-mini-2025-01-31",
messages=messages
)
output_tokens = len(encoding.encode(completion.choices[0].message.content))
task2_end_time = time.time()
input_cost_per_1k = 0.0011 # Example: <pre class="brush:php;toolbar:false">INPUT_COST_CACHE_HIT = 0.14 / 1_000_000 # <pre class="brush:php;toolbar:false">task3_start_time = time.time()
client = OpenAI(api_key=api_key)
messages = [
{
"role": "system",
"content": """You are a Expert in solving Reasoning Problems. Please solve the given problem"""
},
{
"role": "user",
"content": """
Study the given matrix carefully and select the number from among the given options that can replace the question mark (?) in it.
__________________
| 7 | 13 | 174|
| 9 | 25 | 104|
| 11 | 30 | ? |
|_____|_____|____|
The options are:
A 335
B 129
C 431
D 100
Please mention your approch that you have taken at each step
"""
}
]
# Use a compatible encoding (cl100k_base is the best option for new OpenAI models)
encoding = tiktoken.get_encoding("cl100k_base")
# Calculate token counts
input_tokens = sum(len(encoding.encode(msg["content"])) for msg in messages)
completion = client.chat.completions.create(
model="o3-mini-2025-01-31",
messages=messages
)
output_tokens = len(encoding.encode(completion.choices[0].message.content))
task3_end_time = time.time()
input_cost_per_1k = 0.0011 # Example: .005 per 1,000 input tokens
output_cost_per_1k = 0.0044 # Example: .015 per 1,000 output tokens
# Calculate cost
input_cost = (input_tokens / 1000) * input_cost_per_1k
output_cost = (output_tokens / 1000) * output_cost_per_1k
total_cost = input_cost + output_cost
# Print results
print(completion.choices[0].message)
print("----------------=Total Time Taken for task 3:----------------- ", task3_end_time - task3_start_time)
print(f"Input Tokens: {input_tokens}, Output Tokens: {output_tokens}")
print(f"Estimated Cost: ${total_cost:.6f}")
# Display result
from IPython.display import Markdown
display(Markdown(completion.choices[0].message.content))登入後複製
>
>輸出令牌成本：
>輸入令牌：28 |輸出令牌：3323 |估計成本：$ 0.0073
>代碼輸出
>輸入到O3-Mini API
>
O3-Mini >
>您可以在這裡找到O3-Mini的完整響應。
>
>輸出令牌成本：
>輸入令牌：28 |輸出令牌：3235 |估計成本：$ 0.014265
>代碼輸出
比較分析
在此任務中，需要模型來生成允許實際遊戲玩法的功能性俄羅斯代碼。如代碼輸出視頻所示，DeepSeek-R1成功地產生了完全有效的實現。相比之下，儘管O3-Mini的代碼看起來良好，但在執行過程中遇到了錯誤。結果，在這種情況下，DeepSeek-R1在這種情況下優於O3 Mini，提供了更可靠和可播放的解決方案。 >
>得分：
deepSeek-r1：1 | O3-Mini：0
任務2：分析關係不平等
此任務要求模型有效地分析關係不平等而不是依靠基本的分類方法。
>提示：“”在以下問題中，假設給定的陳述為真，在給定的結論中找到了哪個結論是/肯定是正確的，然後相應地給出您的答案。
>>
語句：
h＆gt; f≤o≤l; f≥V＆lt; D
結論：I。 L≥VII。 o＆gt; D
選項是：
a。只有我是true
b。只有i是true
>
c。 i和ii都是true
>
d。我或ii是true
>
e。我和ii都不是真實的。
>輸入到DeepSeek-R1 API>
from openai import OpenAI
from IPython.display import display, Markdown
import time
登入後複製
登入後複製
登入後複製
>輸出令牌成本：
>輸入令牌：136 |輸出令牌：352 |估計成本：$ 0.000004
DeepSeek-R1
>
>輸入到O3-Mini API>
with open("path_of_api_key") as file:
openai_api_key = file.read().strip()登入後複製
登入後複製
>輸入令牌：135 |輸出令牌：423 |估計成本：$ 0.002010
O3-Mini >
比較分析
O3米尼提供了最有效的解決方案，提供了明顯而準確的響應，在大得多的時間內提供了響應。它在確保邏輯健全的同時保持清晰度，使其非常適合快速推理任務。 DeepSeek-r1雖然同樣正確，但要慢得多且詳細。它詳細的邏輯關係分解增強了解釋性，但對於直接評估可能會感到過分。儘管這兩種模型得出了同樣的結論，但O3-Mini的速度和直接方法使其成為實際使用的更好選擇。
分數： deepseek-r1：0 | O3-Mini：1
>任務3：數學中的邏輯推理
此任務挑戰模型識別數值模式，這可能涉及算術操作，乘法或數學規則的組合。該模型必須採用結構化的方法來有效地推斷出隱藏的邏輯。
提示：>“>仔細研究給定的矩陣，然後從給定選項中選擇可以替換問號（？）的數字。
>
____________
| 7 | 13 | 174 |
| 9 | 25 | 104 |
| 11 | 30 | ？ |
| _____ | ____ | ___ |
選項是：
a 335
b 129
c 431
d 100
請提及您在每個步驟中採取的方法。
>輸入到DeepSeek-R1 API>
>輸出令牌成本：
>輸入令牌：134 |輸出令牌：274 |估計成本：$ 0.000003from openai import OpenAI
from IPython.display import display, Markdown
import time
登入後複製
登入後複製
登入後複製
>
>輸入到O3-Mini API
>
>輸出令牌成本：
>輸入令牌：134 |輸出令牌：736 |估計成本：$ 0.003386
O3-Mini with open("path_of_api_key") as file:
openai_api_key = file.read().strip() 輸出>>>
比較分析
在這裡，每一行遵循的模式為：
（第一個數字）^3-（第二個數字）^2 = 3rd number
應用此模式：
第1：7^3 - 13^2 = 343 - 169 = 174
第2行2：9^3 - 25^2 = 729 - 625 = 104
>
第3行：11^3 - 30^2 = 1331 - 900 = 431
因此，正確的答案是431。
> DeepSeek-R1正確識別並應用了此模式，從而導致正確的答案。它的結構化方法可確保准確性，儘管計算結果需要大大時間。另一方面，O3-Mini無法建立一致的模式。它嘗試了多個操作，例如乘法，加法和指示，但沒有得出確定的答案。這會導致不清楚的響應。總體而言，DeepSeek-R1在邏輯推理和準確性方面優於O3-Mini，而O3米尼由於其不一致和無效的方法而掙扎。
- 得分：
deepseek-r1：1 | O3-Mini：0 -
最終分數：DeepSeek-r1：2 | O3-Mini：1
邏輯推理比較摘要
| Task No. |
Task Type |
Model |
Performance |
Time Taken (seconds) |
Cost |
| 1 |
Code Generation |
DeepSeek-R1 |
✅ Working Code |
606.45 |
.0073 |
|
|
o3-mini |
❌ Non-working Code |
99.73 |
.014265 |
| 2 |
Alphabetical Reasoning |
DeepSeek-R1 |
✅ Correct |
74.28 |
.000004 |
|
|
o3-mini |
✅ Correct |
8.08 |
.002010 |
| 3 |
Mathematical Reasoning |
DeepSeek-R1 |
✅ Correct |
450.53 |
.000003 |
|
|
o3-mini |
❌ Wrong Answer |
12.37 |
.003386 |
結論
正如我們在此比較中看到的那樣，DeepSeek-R1和O3-Mini都表現出滿足不同需求的獨特優勢。 DeepSeek-R1在精確驅動的任務中擅長，尤其是在數學推理和復雜的代碼生成中，使其成為需要邏輯深度和正確性的應用程序的有力候選者。但是，一個重要的缺點是其響應時間較慢，部分原因是持續的服務器維護問題影響了其可訪問性。另一方面，O3-Mini提供的響應時間明顯更快，但是其產生不正確結果的趨勢限制了其對高風險推理任務的可靠性。
該分析強調了語言模型中速度和準確性之間的權衡。雖然O3-Mini可能對快速，低風險的應用程序有用，但DeepSeek-R1是解決推理密集型任務的優越選擇，只要解決了其潛伏期問題。隨著AI模型的不斷發展，在性能效率和正確性之間達到平衡將是優化各個領域的AI驅動工作流程的關鍵。
也請閱讀：Openai的O3-Mini可以在編碼中擊敗Claude Sonnet 3.5？
常見問題
> Q1。 DeepSeek-R1和O3-Mini之間的主要區別是什麼？ DeepSeek-R1在數學推理和復雜的代碼生成方面表現出色，非常適合需要邏輯深度和準確性的應用。另一方面，O3-Mini的速度明顯更快，但通常會犧牲準確性，導致偶爾出現不正確的輸出。對於編碼任務，DeepSeek-R1比O3-Mini好嗎？ DeepSeek-r1是編碼和推理密集型任務的更好選擇，因為它具有出色的精度和處理複雜邏輯的能力。雖然O3-Mini提供了更快的響應，但它可能會產生錯誤，從而使其對高風險編程任務的可靠性降低。
Q3。 O3-Mini是否適用於現實世界應用？ O3-Mini最適合低風險，速度依賴的應用程序，例如聊天機器人，休閒文本生成和交互式AI體驗。但是，對於需要高精度的任務，DeepSeek-R1是首選的選項。哪種模型更適合推理和解決問題 - DeepSeek-R1或O3-Mini？ DeepSeek-R1具有出色的邏輯推理和解決問題的能力，使其成為數學計算，編程援助和科學查詢的強大選擇。 O3-Mini在復雜的解決問題的方案中提供了快速但有時不一致的響應。 >
以上是O3-Mini可以替換DeepSeek-R1進行邏輯推理嗎？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
了解更多：Openai的O3米尼比DeepSeek-R1更好？
>代碼輸出
（第一個數字）^3-（第二個數字）^2 = 3rd number
