DeepSeek R1 vs Openai O1：哪一個更好？

DeepSeek R1已經到了，它不僅是另一個AI模型，而且是AI功能的重大飛躍，接受了先前發布的DeepSeek-V3基本變體的訓練。隨著DeepSeek R1的全面發行，它在性能和靈活性方面與Openai O1保持一致。使它更加引人注目的是它的開放權重和麻省理工學院的許可，使其在商業上可行，並將其定位為開發人員和企業的強大選擇。

>

但真正使DeepSeek R1與眾不同的是它如何挑戰Openai這樣的行業巨頭，從而獲得了一小部分資源，取得了非凡的成果。在短短的兩個月內，DeepSeek做了似乎不可能的事情 - 啟動了一種在嚴格的限制下運行的開源AI模型，該模型與專有系統相匹配。在本文中，我們將比較 - DeepSeek R1與OpenAi O1。 目錄的

>

• deepseek r1：證明了獨創性和效率
• >
• >是什麼使deepseek r1成為遊戲變化？ O1：價格比較
• deepSeek r1 vs openai o1：比較不同的基準測試
>
• >如何使用ollama？
• 如何在Google colab中使用DeepSeek R1在Google colab中使用DeepSeek R1？ DeepSeek R1：證明了獨創性和效率
• > DeepSeek的預算僅為600萬美元，
• 600萬美元，已經完成了數十億美元投資的公司努力工作。他們是這樣做的：

與OpenAi估計的60億美元投資相比，

>

僅為558萬美元

>。 資源優化：
• >以278萬gpu小時實現的結果，對於類似規模的模型，大得低於Meta的> > 3080萬小時。 >創新的解決方法：
使用
• 受限制的中國GPU 訓練，在技術和地緣政治約束下展示了創造力。 >基準卓越：r1與關鍵任務中的OpenAI O1匹配， 明確的表現都超過了。
• > DeepSeek R1建立在開源研究的集體工作基礎上，但其效率和績效表明了如何與Big Tech的大量預算相媲美。 是什麼使DeepSeek R1變成遊戲改變？ > DeepSeek R1超出其令人印象深刻的技術功能，提供了關鍵功能，使其成為企業和開發人員的首選：>
  • 開放權重和麻省理工學院許可證：完全開放且商業上可用，為企業提供了構建的靈活性，而無需許可限制。
  >
  • 蒸餾模型：較小，微調的版本（類似於Qwen和Llama），提供出色的性能，同時保持不同應用的效率。
  • api訪問：>通過API輕鬆訪問或直接在其平台上訪問 - 免費！ 與其他領先的AI模型相比，成本效益的成本效益：> DeepSeek R1提出了一個令人興奮的問題 - 我們目睹了一個新的AI時代的曙光，在這個新AI時代，擁有大創意的小型團隊
  可以破壞整個行業並超越10億美元的巨人？隨著AI景觀的發展，DeepSeek的成功強調了
  • 創新，效率和適應性可以像純粹的財務狀況一樣強大。 DeepSeek R1
  概述
  > DeepSeek R1模型擁有A

  6710億參數體系結構，並已在模型上進行了訓練。它的重點是思維鏈（COT）推理>使其成為需要高級理解和推理的任務的強大競爭者。有趣的是，儘管其參數計數較大，但在大多數操作中，僅激活370億參數

  ，類似於DeepSeek V3。 DeepSeek R1不僅是一個單片模型；生態系統包括

  六個蒸餾模型

  對源自DeepSeek R1本身的合成數據進行了微調。這些較小的型號的尺寸和目標特定用例各不相同，為需要較輕，更快模型的開發人員提供了令人印象深刻的性能的開發人員。

  蒸餾模型陣容

  Model	Base Model	Download
  DeepSeek-R1-Distill-Qwen-1.5B	Qwen2.5-Math-1.5B	? HuggingFace
  DeepSeek-R1-Distill-Qwen-7B	Qwen2.5-Math-7B	? HuggingFace
  DeepSeek-R1-Distill-Llama-8B	Llama-3.1-8B	? HuggingFace
  DeepSeek-R1-Distill-Qwen-14B	Qwen2.5-14B	? HuggingFace
  DeepSeek-R1-Distill-Qwen-32B	Qwen2.5-32B	? HuggingFace
  DeepSeek-R1-Distill-Llama-70B	Llama-3.3-70B-Instruct	? HuggingFace

  這些蒸餾模型可以靈活地迎合本地部署和API使用。值得注意的是，Llama 33.7b模型在幾個基準中優於O1 mini，強調了蒸餾型變體的強度。

  模型

  Model	#Total Params	#Activated Params	Context Length	Download
  DeepSeek-R1-Zero	671B	37B	128K	? HuggingFace
  DeepSeek-R1	671B	37B	128K	? HuggingFace

  #total params #activated params 上下文長度上下文長度 >下載 deepSeek-r1-Zero 671b 37b 128K ？擁抱面 deepSeek-r1 671b 37b 128K ？擁抱面

  >您可以在此處找到有關OpenAi O1的全部內容。

  > DeepSeek R1以最低的成本提供無與倫比的性能？ DeepSeek R1以最低成本的令人印象深刻的表現歸因於其培訓和優化過程中的幾種關鍵策略和創新。這是他們如何實現它的

  ：

  > 1。強化學習，而不是重大監督的微調

  最傳統的LLM（例如GPT，Llama等）嚴重依賴於監督的微調，這需要由人類註釋者策劃的廣泛標記的數據集。 DeepSeek R1採用了不同的方法

  ：

  >

  deepSeek-r1-Zero：

  • 而不是監督學習，而是利用純強化學習（RL）
    。
    • 該模型是通過>自我進化訓練的，允許它迭代地提高推理能力而無需人工干預。 與監督培訓相比，RL有助於基於反複試驗的策略來優化基於反複試驗的策略，使模型更具成本效益
    ，這需要大量的人類標記的數據集。
    deepSeek-r1（冷啟動策略）：>
    • 為了避免僅RL模型中的常見問題（例如不一致的響應），他們引入了一個小的，高質量的監督數據集以進行“冷啟動”。 這使模型從一開始就可以更好地引導，從而確保了
    人類般的流利性和可讀性
    ，同時保持了強大的推理能力。
  • 影響：
    • RL培訓大大降低了數據註釋成本。
    • 自我進化使該模型可以自主發現解決問題的策略。 2。提高效率和縮放
    的蒸餾 DeepSeek使用的另一種改變遊戲的方法是從較大的R1模型到較小模型的推理能力的蒸餾

  > Qwen，Llama等 通過提煉知識，他們能夠創建較小的模型（例如14b），甚至超過了某些最先進的模型（SOTA）模型，例如QWQ-32B。 這個過程實質上將高級推理能力轉移到了較小的體系結構上，使其高效而無需犧牲太多的準確性。

  密鑰蒸餾益處：

  • 降低計算成本：較小的模型需要更少的推理時間和內存。
  • 可伸縮性：在邊緣設備或成本敏感的雲環境上部署蒸餾模型更容易。 >
  保持強勁的性能：
  • R1的蒸餾版仍在基準中進行競爭性排名。
  3。基準性能和優化焦點

  DeepSeek R1將其優化重點放在特定的高影響基准上：

  aime 2024：
  >在79.8％
  • 上取得附近的SOTA性能 MATH-500：
  以97.3％的精度改善推理
  • > CodeForces（競爭性編程）：
  排名在最高的3.7％
  • >之內 mmlu（經常知識）：
  競爭性的90.8％，略低於某些模型，但仍然令人印象深刻。
  • DeepSeek R1不是成為通用的聊天機器人，而是更多地關注>數學和邏輯推理任務，確保更好的資源分配和模型效率。
  4。有效的體系結構和培訓技術
  DeepSeek可能會受益於幾種建築和培訓優化：>

  稀疏注意機制：

  可以處理較低的計算成本的較長上下文。

  >

  專家（MOE）的混合物
  • ：>
    • 可能僅用於動態激活模型的一部分，從而導致有效的推斷。
  • 有效的訓練管道：
    培訓良好的域特異性數據集而沒有噪音過多的培訓。
    • 使用合成數據進行增強學習階段。
  • 5。戰略模型設計選擇 DeepSeek的方法在平衡成本和績效方面具有高度戰略性：
    1. 集中的域專業知識（數學，代碼，推理）而不是通用的NLP任務。
    2. 優化的資源利用率優先考慮推理任務超過不太關鍵的NLP功能。
    3. 智能權衡喜歡在必要時使用rl，在最佳的情況下使用rl。
    為什麼它具有成本效益？
    由於加強學習而減少了對昂貴監督數據集的需求。
    • 有效的蒸餾
    確保較小型號的頂級推理性能。
    • 有針對性的訓練重點
    在推理基准上而不是一般NLP任務上。
    • 優化體系結構以提高計算效率。
    >
    • 通過結合增強學習，選擇性微調和戰略性蒸餾
    ，DeepSeek R1提供了頂級性能，同時與其他SOTA模型相比，保持
    的成本

    明顯降低。 > DeepSeek R1 vs. Openai O1：價格比較>

    在大多數評估中，DeepSeek R1與OpenAI O1的得分相當，甚至在特定情況下甚至超過了。這種高度的性能得到了可訪問性的補充。 DeepSeek R1可以免費在DeepSeek聊天平台上使用，並提供負擔得起的API定價。以下是成本比較：

    >> deepSeek r1 api

    ：輸入55美分，輸出為2.19美元（100萬個令牌）

    >openai o1 api ：輸入$ 15，輸出$ 60（100萬個令牌）

    • API比Chatgpt便宜96.4％。
    • > DeepSeek R1的較低成本和免費的聊天平台訪問使其成為有預算意識的開發商和企業尋求可擴展AI解決方案的吸引人選擇。 >基準測試和可靠性 DeepSeek模型始終顯示出可靠的基準測試，R1模型堅持了這一聲譽。 DeepSeek R1作為Openai O1的競爭對手和其他領先的模型，具有良好的性能指標，並且與聊天偏好相結合。蒸餾模型，例如
    QWEN 32B
    和

    llama 33.7b，也提供了令人印象深刻的基準，在類似尺寸的類別中表現優於競爭對手。 實用的用法和可訪問性

    > DeepSeek R1及其蒸餾型變體很容易通過多個平台獲得：
    1. deepseek聊天平台：免費訪問主型號。
    2. api Access ：大規模部署的負擔得起的價格。
    3. 本地部署：較小的型號，例如QWEN 8B或QWEN 32B，可以通過VM設置在本地使用。
    >

    >雖然某些模型（例如Llama變體）尚未出現在AMA上，但預計它們很快就會可用，進一步擴展了部署選項。

    > DeepSeek R1 vs Openai O1：不同基準的比較

    

    1。 Aime 2024（通過@1）

    • > deepSeek-r1： 79.8％精度
    • >openai O1-1217：79.2％精度
    • >說明：
      • 這個基準評估了美國邀請賽數學考試（AIME）的表現，這是一場具有挑戰性的數學競賽。
      • > deepSeek-r1略優勝於0.6％的OpenAI-O1-1217，這意味著解決這些類型的數學問題的差距更差。
    2。 CodeForces（百分比）
    • > deepSeek-r1：96.3％
    • OpenAI O1-1217： 96.6％
    >說明：
    • > CodeForces是一個受歡迎的競爭編程平台，百分位排名顯示了與其他模型相比的模型的表現。
      >
      • openai-o1-1217稍好一些（比0.3％），
      這意味著它在處理算法和編碼挑戰時可能具有略有優勢。
      3。 GPQA鑽石（通過@1）

    > deepSeek-r1： 71.5％

    • > OpenAi O1-1217： 75.7％
    >說明：
    • > GPQA鑽石評估了模型回答複雜通用問題的能力。
    • OpenAI-O1-1217的性能效果更好4.2％，表示此類別中的一般性提問能力更強。 >
      4。 Math-500（通過@1）
      > deepSeek-r1：
      97.3％

    > OpenAI O1-1217： 96.4％

    • >說明：
    這個基準測量了許多主題的數學解決問題技能。
    • > deepSeek-r1的得分較高0.9％，表明它可能具有更好的精度和高級數學問題的推理。
    • 5。 mmlu（通過@1）
      • > deepSeek-r1：90.8％
    > OpenAI O1-1217：
    >說明：
    • MMLU（大量的多任務語言理解）測試模型跨越歷史，科學和社會研究等學科的通用知識。 >
    openai-o1-1217更好1％，
    • 這意味著它可能對各種主題有更廣泛或更深入的了解。 >
    • 6。經過驗證（已解決）
      • > deepSeek-r1： 49.2％
      • OpenAi O1-1217： 48.9％
      >說明：

    此基準測試評估模型在解決軟件工程任務時的性能。

    • > deepSeek-r1的優勢略有0.3％，表明與較小的鉛的編碼水平相似。

    Benchmark	DeepSeek-R1 (%)	OpenAI o1-1217 (%)	Verdict
    AIME 2024 (Pass@1)	79.8	79.2	DeepSeek-R1 wins (better math problem-solving)
    Codeforces (Percentile)	96.3	96.6	OpenAI-o1-1217 wins (better competitive coding)
    GPQA Diamond (Pass@1)	71.5	75.7	OpenAI-o1-1217 wins (better general QA performance)
    MATH-500 (Pass@1)	97.3	96.4	DeepSeek-R1 wins (stronger math reasoning)
    MMLU (Pass@1)	90.8	91.8	OpenAI-o1-1217 wins (better general knowledge understanding)
    SWE-bench Verified (Resolved)	49.2	48.9	DeepSeek-R1 wins (better software engineering task handling)

    >總體判決：

    • DeepSeek-R1優勢：
    與數學相關的基準（AIME 2024，MATH-500）和軟件工程任務（SWE-BENCENFIEN）。
    • OpenAI O1-1217優勢：競爭性編程（CodeForces），通用Q＆A（GPQA Diamond）和常識任務（MMLU）。 >
    這兩個模型總體上的表現非常相似，

    DeepSeek-R1在數學和軟件任務方面引導，而OpenAI O1-1217在一般知識和解決問題方面都表現出色。 >

    >如果您的重點是

    數學推理和軟件工程，DeepSeek-R1可能是一個更好的選擇，而對於>通用任務和編程競賽，則OpenAI O1-1217可能具有優勢。 如何使用Ollama訪問DeepSeek R1？

    首先，安裝Ollama

    >訪問
    > ollama
    • 網站以下載該工具。對於Linux用戶： 在您的終端中執行以下命令：
    然後運行模型。

    curl -fsSL https://ollama.com/install.sh | sh

    這是Ollama，例如DeepSeek R1：Ollama Run DeepSeek-r1

    > 在

    我正在運行Ollama在本地運行DeepSeek-r1：1.5b，下載該模型將需要幾分鐘。

    

    提示：給我fibonAcci nth系列

    

    的代碼 輸出

    deepSeek-r1：1.5b的輸出質量看起來很

    固體

    ，有一些積極的方面和潛在改進的領域：

    積極方面

    1. >邏輯思考過程
       • 該模型表現出A 明確的逐步推理過程，考慮了遞歸和迭代方法。 。
       >它捕獲了常見的陷阱（例如，遞歸的效率低下），並證明了迭代方法的選擇合理。
    2. 代碼的正確性
       最終的迭代解決方案是正確的，並且正確處理基本案例。
       • >
       測試案例fib（5）產生正確的輸出。
       • >
    3. 說明深度
       • 詳細且對初學者友好，覆蓋：
         • 基本案例
         • 循環行為
         • >變量更新
         • 複雜性分析
    4. 效率考慮
       • >解釋強調了時間複雜性（$ o（n）$），並將其與遞歸對比，證明了對算法效率的很好的理解。
    如何在Google Colab中使用DeepSeek R1？
    使用變壓器

    curl -fsSL https://ollama.com/install.sh | sh

    此命令安裝三個python庫：
    變形金剛：通過擁抱面對的圖書館，以使用預訓練的語言模型。
    • 加速：一個庫，以優化和加快培訓和推斷Pytorch型號。
    • 火炬：pytorch庫，這是一個深度學習框架。
    >
    這將從變形金剛庫導入管道函數。管道函數是一個高級API，簡化了使用預訓練模型進行文本生成，分類等任務的過程。

    !pip install transformers accelerate torch

    >
    這定義了消息列表，其中每個消息都是一個字典，其中包含角色（例如“用戶”）和內容（消息的實際文本）。這種格式通常用於會話模型。

    from transformers import pipeline

    這將使用DeepSeek-ai/deepSeek-r1-distill-qwen-7b模型創建文本生成管道。管道函數自動處理加載模型和令牌。

    messages = [
    {"role": "user", "content": "Give me code for the Fibonacci nth series"},
    ]

    >

    這將消息列表傳遞給管道，該列表基於輸入生成響應。 >

    輸出

    Openai O1的代碼實現

    pipe = pipeline("text-generation", model="deepseek-ai/DeepSeek-R1-Distill-Qwen-7B")
    pipe(messages)

    輸出

    Okay, the user is asking for a Fibonacci sequence calculator. I remember<br><br>that the Fibonacci sequence starts with 0 and 1, and each subsequent<br><br>number is the sum of the previous two.<br><br>I should write a function called fib(n) where n is the term number we want<br><br>to find. If n is 0 or 1, it returns 0 since those are the starting points.<br><br>For other values, I'll use recursion because each term depends on the two<br><br>before it, which seems straightforward.<br><br>Wait, but recursion can be inefficient for large n because it recalculates<br><br>many terms repeatedly. Maybe the user wants an iterative approach instead<br><br>to make it faster and more efficient. That way, even if n is big, it<br><br>doesn't take too long.<br><br>I'll structure my function with a loop that starts from 2 up to n. I'll<br><br>keep track of the two previous numbers, prev1 and prev2. Then for each<br><br>step beyond 2, calculate current as the sum of prev1 and prev2. Update<br><br>prev2 to be prev1, and update prev1 to current.<br><br>Wait again, what if n is 0? The function should return 0, same with n=1.<br><br>So I'll add a condition at the beginning of the loop where if it's the<br><br>first term, we handle it correctly.<br><br>Let me test some examples. For fib(5), it should be 5. Let's see: prev1<br><br>starts as 0, prev2 as 1. Then for i=3 to 5:<br><br>i=3: current = 1 (0+1)<br><br>i=4: current = 2 (1+1)<br><br>i=5: current = 3 (1+2) Wait, that's not right. Oh no, I think I messed up the calculation steps.<br><br>Wait, for fib(5), let me recount:<br><br>n=0: 0<br><br>n=1: 1<br><br>n=2: 1<br><br>n=3: 2<br><br>n=4: 3<br><br>n=5: 5. So my previous step-by-step was wrong. I need to make sure each iteration is correct.<br><br>I think in the loop, when i reaches n-2, which for fib(5) is index 5 (since starting at 0), but wait, let me adjust the code correctly.<br><br>Let me write down:<br><br>def fib(n):<br><br>if n == 0:<br><br>return 0<br><br>elif n == 1:<br><br>return 1<br><br>prev1 = 0<br><br>prev2 = 1<br><br>for i in range(2, n+1):<br><br>current = prev1 + prev2<br><br>prev1 = prev2<br><br>prev2 = current<br><br>return prev2<br><br>Testing fib(5) would give:<br><br>i=2: current 1; prev1=1, prev2=1<br><br>i=3: current 2; prev1=1, prev2=2<br><br>i=4: current 3; prev1=2, prev2=3<br><br>i=5: current 5; return 5. Correct.<br><br>Yes, that should work.<br><br></think><br><br>Here’s a simple iterative implementation of the Fibonacci sequence:<br><br>```python<br><br>def fib(n):<br><br>if n == 0:<br><br>return 0<br><br>elif n == 1:<br><br>return 1<br><br>else:<br><br>prev1 = 0<br><br>prev2 = 1<br><br>for i in range(2, n+1):<br><br>current = prev1 + prev2<br><br>prev1 = prev2<br><br>prev2 = current<br><br>return prev2<br><br># Test the function<br><br>print(fib(5)) # Output: 5<br><br>```<br><br>### Explanation:<br><br>- The function `fib(n)` calculates the nth Fibonacci number using an iterative approach.<br><br>- **Base Cases**: If `n` is 0, it returns 0; if `n` is 1, it returns 1.<br><br>- **Iteration**: For values of `n` greater than 1, we initialize two variables (`prev1` and `prev2`) to represent the first two Fibonacci numbers (0 and 1).<br><br>- **Loop**: We loop from 2 up to `n`, updating the values of `prev1` and `prev2` in each iteration. After completing the loop, `prev2` contains the nth Fibonacci number.<br><br>- **Efficiency**: This method is efficient with a time complexity of O(n) since it only iterates once through the sequence.<br><br>### Example<br><br>If you want to calculate the 5th Fibonacci number:<br><br>- The function returns 5 when called as `fib(5)`.<br><br>This implementation avoids the inefficiencies of recursion and is more straightforward for educational purposes.

    最終判決

    > DeepSeek R1提供了更有效，更通用的解決方案，使其總體上是更好的選擇。它正確處理邊緣案例，提供返回值的函數以供進一步使用，並包括詳細說明。這使其適合於實際應用和教育目的。

    openai o1雖然更簡單，更易於初學者，但在功能方面受到限制，因為它僅在不返回值的情況下打印序列，從而使其對高級任務​​的有用程度降低。

    >

    推薦：>如果需要有效且可重複使用的解決方案，請與 DeepSeek R1的方法一起使用。如果您只是想簡單地理解斐波那契序列，請使用openai o1的 為您的需求選擇理想的AI模型

    為您的項目選擇正確的AI模型涉及評估多種因素，例如技術規格，預算限制和運營需求。下面，我們探討了不同模型及其理想用例的優勢，以幫助您做出明智的決定。

    > DeepSeek-R1：無與倫比 DeepSeek-R1是特定應用程序的最大競爭者，尤其是那些優先考慮負擔能力和適應性的競爭者。這就是為什麼它可能非常適合您的項目：

    預算友好的解決方案

    與傳統模型相比，DeepSeek-R1的運營成本低至5％，非常適合初創企業，學術研究和財務資源有限的項目。

    1. 自定義和開源優勢
       • >它的開源框架使團隊可以根據其獨特的需求來量身定制模型，將其與現有系統無縫集成或為專用域進行優化。這種靈活性對具有利基技術要求的組織特別有益。
    >出色的數學能力
    2. 在需要復雜的計算，統計分析或數學建模的應用中，具有97.3％的精度，DeepSeek-R1在應用程序中脫穎而出。這使其成為金融，工程和科學研究等領域的強大選擇。
       openai的O1：可靠性和高級性能
    3. OpenAI的O1系列專為可靠性，安全性和高級推理至關重要的企業級應用而設計。這是它閃耀的地方：
       1. >企業級安全性和合規性
          • >通過強大的安全協議和合規措施，O1非常適合處理敏感數據或在嚴格的監管框架下運行的行業。
          >
       2. 傑出的編程和推理技能
          該模型在CodeForces（2061評級）和GPQA Diamond（75.7％）上的令人印象深刻的性能使其成為處理複雜應用程序或高級推理任務的軟件開發團隊的首選。
          • >
       3. >關鍵任務應用程序的良好往績記錄 嚴格的測試和驗證過程確保O1提供一致且可靠的性能，使其適用於無法選擇失敗的關鍵任務操作。
          >
       結論
       DeepSeek r1

       的發布標誌著AI景觀的重大轉變，提供了開放量，MIT許可的替代品 OpenAi o1 o1>。憑藉令人印象深刻的基準和蒸餾變體，它為開發人員和研究人員提供了多功能，高性能的解決方案。 DeepSeek R1在推理，思想鏈（COT）任務和AI理解方面表現出色，提供了具有成本效益的性能，可與OpenAi O1匹配。它的負擔能力和效率使其非常適合從聊天機器人到研究項目的各種應用程序。在測試中，其響應質量與Openai O1相匹配，證明了它是一個認真的競爭對手。 DeepSeek R1 vs Openai O1

       攤牌突出了負擔能力和可訪問性。與專有模型不同，DeepSeek R1通過可擴展且預算友好的方法使AI民主化，這是那些尋求強大但具有成本效益的AI解決方案的人的首選。

       >立即開始使用DeepSeek！在我們的“ DeepSeek入門”課程中，了解如何利用DeepSeek的AI和機器學習能力。現在註冊，將您的技能提升到一個新的水平！

以上是DeepSeek R1 vs Openai O1：哪一個更好？的詳細內容。更多資訊請關注PHP中文網其他相關文章！