在Openai著名版本（例如GPT-4O，Sora和O1）的一年中，開源社區一直以其令人印象深刻的模型穩步發展。其中包括DeepSeek V3，這是一種開源模型，預算僅為550萬美元，比GPT-4O（1億美元）的培訓成本低得多。 DeepSeek V3擁有6850億參數和混合特性（MOE）體系結構，在編碼和翻譯等領域競爭，同時提供了成本效率和開源柔韌性。讓我們探討DeepSeek V3與GPT-4O的比較以及它為AI開髮帶來的餐桌帶來了什麼。
提示：創建一個全面的流程圖，說明了代理AI中的反射模式。
這些是反思模式所涉及的步驟 -
生成初始輸出
自我審查/批評輸出
確定錯誤，差距或改進領域
提出改進建議
修改/完善輸出
重複步驟2-5直到達到令人滿意的結果
立即創建新的流程圖
DeepSeek V3輸出：
--------------------------------<br> |生成初始輸出|<br> --------------------------------<br> |<br> v<br> --------------------------------<br> |自我審查/批評輸出|<br> --------------------------------<br> |<br> v<br> --------------------------------<br> |確定錯誤，差距或改進領域|<br> --------------------------------<br> |<br> v<br> --------------------------------<br> |提出改進建議|<br> --------------------------------<br> |<br> v<br> --------------------------------<br> |修訂/完善輸出|<br> --------------------------------<br> |<br> v<br> --------------------------------<br> |結果令人滿意嗎？ |<br> --------------------------------<br> |<br> -----------------------<br> | |<br> VV<br>是否<br> | |<br> VV<br> --------------------------------<br> |最終輸出|<br> --------------------------------<br> |<br> v<br> --------------------------------<br> |結束|<br> --------------------------------
GPT 4O輸出：
觀察：
GPT-4O的流程圖比DeepSeek V3更有效，因為它實現了適當的反饋循環。儘管V3的流程圖試圖根據令人滿意的結果顯示決策路徑，但它具有邏輯缺陷，其中“是”和“否”結果都會導致相同的輸出。相比之下，GPT-4O的設計正確地表明了結果不令人滿意的結果如何重新回到過程中，更好地代表了改進的迭代性質。
判決：
DeepSeek V3 | gpt 4o✅
該GPT 4O與DeepSeek V3指南的第一個任務是，我有一個網站的斑馬拼圖。
提示：解決這個斑馬難題，給我一個最終結果表。
DeepSeek V3輸出：
將此回應放在網站上：
GPT 4O輸出：
將此解決方案放在網站上：
觀察：
儘管這兩個模型都將隨機名稱分配給了無法提供信息的元素，但V3正確解決了問題，而GPT-4O未能這樣做。
判決：
DeepSeek V3 | gpt 4o❌
提示：圖顯示了電路的一部分。它由平行和串聯配置的電阻組成。找到等效電阻。
DeepSeek V3輸出：
GPT 4O響應：
觀察：
當比較給定電阻網絡的DeepSeek V3和GPT-4O的解決方案時，GPT-4O的1.29Ω計算是正確的，而DeepSeek V3的結果為3.59Ω是不正確的。 GPT-4O通過三個平行分支正確地識別了電路的結構：（R1 R2 =3Ω），R3 =3Ω和（R4 R5 =9Ω），然後準確地應用了並行電阻公式（1/RT = 1/3 1/3 1/3 1/9 = 7/9），以獲得最終結果。 DeepSeek V3通過錯誤地分組電阻，誤會列表和並行組合而犯了關鍵錯誤，從而導致其最終計算不准確。
判決：
DeepSeek V3 | gpt 4o✅
提示：閱讀文章Athttps：//www.analyticsvidhya.com/blog/2024/07/building-agentic-agentic-rag-systems-with-langgraph/-了解為Wikipedia數據創建矢量數據庫的過程。然後，提供關鍵步驟的簡明摘要。
DeepSeek V3輸出：
GPT 4O輸出：
觀察：
DeepSeek V3和GPT-4O都提供了技術上合理的解釋，但是GPT-4O的響應與關於矢量db創建的原始查詢更加準確地保持一致。儘管DeepSeek V3提供了更廣泛的技術環境，涵蓋了預處理，索引和langgraph集成，但GPT-4O專門針對Chromadb實施，該實施直接解決了手頭的任務。兩種方法都有其優點，但是對於特定的問題，GPT-4O的目標響應證明更適用。
判決：
DeepSeek V3 | gpt 4o✅
提示：圖像分為幾乎相同的兩個部分。但是，左圖中有三個元素在右圖中缺少。您的任務是確定這些缺失的元素。
DeepSeek V3輸出：
GPT 4O輸出：
觀察：
V3無法直接分析圖像並提供了通用響應。 GPT-4確定了一個正確的差異，但其餘的差異是不正確的。
判決：
DeepSeek V3 | gpt 4o❌
| 任務 | 優勝者 |
|---|---|
| 流程圖 | GPT-4O |
| 斑馬拼圖 | DeepSeek V3 |
| 物理電路問題 | GPT-4O |
| 文章摘要 | GPT-4O |
| 尋找差異 | 兩者都不 |
另請閱讀：
顯然，GPT-4O在上述任務中優於DeepSeek V3。但是，它在解決難題任務中的成功突出了其在該領域的特殊優勢。
話雖如此，DeepSeek V3證明，開源車型可以與GPT-4O等商業模型競爭，同時培訓的成本效益要高得多（550萬美元與1億美元）。
我真的很高興能潛入DeepSeek V3並探索其全部功能。你呢？您是否嘗試過這兩種型號？您更喜歡誰的反應？在下面的評論中分享您的想法！
從頭開始學習DeepSeek！加入我們的“入門”課程，並探索其功能以提高您的AI技能。
以上是DeepSeek V3與GPT-4O：哪個更好？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
