ホームページ >テクノロジー周辺機器 >AI >O3-MINIは論理的な推論のためにDeepSeek-R1を置き換えることができますか？

O3-MINIは論理的な推論のためにDeepSeek-R1を置き換えることができますか？

Jennifer Anistonオリジナル: 2025-03-05 10:42:16226ブラウズ

AI駆動の推論モデルは、2025年に世界を席巻しています！ DeepSeek-R1とO3-Miniの発売により、AIチャットボットでは前例のないレベルの論理推論機能が見られました。この記事では、これらのモデルにAPIを介してアクセスし、論理的推論スキルを評価して、O3-MINIがDeepSeek-R1を置き換えることができるかどうかを調べます。標準のベンチマークでのパフォーマンスを比較し、論理パズルの解決やテトリスゲームの構築などの実際のアプリケーションを比較します！バックルして乗り心地に参加してください。

deepseek-r1 vs o3-mini：論理的推論ベンチマーク
deepseek-r1 vs o3-mini：api価格の比較
deepseek-r1およびo3-miniにアクセスする方法比較
- タスク2：リレーショナル不平等の分析
- タスク3：数学の論理的推論
- 論理的推論の比較概要deepseek-r1 vs o3-mini：論理的推論ベンチマーク

deepseek-r1とo3-miniは、構造化された思考と控除に対するユニークなアプローチを提供し、さまざまな種類の複雑な問題解決タスクに適しています。彼らのベンチマークパフォーマンスについて話す前に、まずこれらのモデルのアーキテクチャをこっそり覗いてみましょう。 o3-miniは、Openaiの最も高度な推論モデルです。密な変圧器アーキテクチャを使用して、各トークンをすべてのモデルパラメーターで処理して、パフォーマンスが強いが高いリソースの消費を加えます。対照的に、Deepseekの最も論理的なモデルであるR1は、Experts（MOE）の混合（MOE）フレームワークを採用しており、効率を高めるために入力あたりのパラメーターのサブセットのみをアクティブにします。これにより、DeepSeek-R1がよりスケーラブルになり、堅実なパフォーマンスを維持しながら計算的に最適化されます。

詳細：OpenaiのO3-MiniはDeepSeek-R1よりも優れていますか？

今、私たちが見る必要があるのは、これらのモデルが論理的推論タスクでどれだけうまく機能するかです。まず、ライブベンチベンチマークテストでのパフォーマンスを見てみましょう。

ソース：livebench.ai

ベンチマークの結果は、OpenaiのO3-Miniが、数学を除くほぼすべての側面でDeepSeek-R1を上回ることを示しています。 Deepseekの71.38と比較して、世界平均スコアは73.94であるため、O3-Miniは全体的なパフォーマンスがわずかに強いことを示しています。特に推論に優れており、Deepseekの83.17に対して89.58を達成し、優れた分析および問題解決機能を反映しています。

また読む：Google Gemini 2.0 Pro vs Deepseek-R1：コーディングは誰ですか？

deepseek-r1 vs o3-mini：API価格の比較これらのモデルをAPIを通じてテストしているので、これらのモデルの費用を見てみましょう。

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

テーブルに見られるように、OpenaiのO3-Miniは、APIコストの点でDeepSeek R1のほぼ2倍高価です。 Deepseek R1は、入力に1.10ドル、出力に4.40ドルを請求しますが、DeepSeek R1は入力で100万ドル、出力に2.19ドルのより費用対効果の高いレートを提供しているため、大規模なアプリケーションでは予算向けのオプションになります。

ソース：deepseek-r1 | o3-mini

deepseek-r1およびo3-miniにアクセスする方法

ハンズオンパフォーマンスの比較に足を踏み入れる前に、APIを使用してDeepSeek-R1およびO3-Miniにアクセスする方法を学びましょう。

あなたがこれのためにしなければならないのは、必要なライブラリとAPIキーをインポートすることだけです：

from openai import OpenAI
from IPython.display import display, Markdown
import time

with open("path_of_api_key") as file:
   openai_api_key = file.read().strip()

deepseek-r1 vs o3-mini：論理的推論の比較

with open("path_of_api_key") as file:
   deepseek_api = file.read().strip()

APIアクセスを取得したので、論理的推論機能に基づいてDeepSeek-R1とO3-Miniを比較しましょう。このために、両方のモデルに同じプロンプトを提供し、これらのメトリックに基づいてそれらの応答を評価します：

モデルが回答を生成するために時間をかける時間

応答を生成するために発生した
タスク1：テトリスゲームの構築

このタスクでは、モデルがPythonを使用して完全に機能するテトリスゲームを実装する必要があります。ゲームロジック、ピースの動き、衝突検出、および外部ゲームエンジンに依存せずにレンダリングする必要があります。

プロンプト：

「この問題についてPythonコードを書く：TetrisゲームのPythonコードを生成する「

deepseek-r1 api への入力 DeepSeek-R1

による応答

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))

.14 per 1M tokens INPUT_COST_CACHE_MISS = 0.55 / 1_000_000 # .55 per 1M tokens OUTPUT_COST = 2.19 / 1_000_000 # .19 per 1M tokens # Start timing task3_start_time = time.time() # Initialize OpenAI client for DeepSeek API client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com") 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 """ } ] # Get token count using tiktoken (adjust model name if necessary) encoding = tiktoken.get_encoding("cl100k_base") # Use a compatible tokenizer input_tokens = sum(len(encoding.encode(msg["content"])) for msg in messages) # Call DeepSeek API response = client.chat.completions.create( model="deepseek-reasoner", messages=messages, stream=False ) # Get output token count output_tokens = len(encoding.encode(response.choices[0].message.content)) task3_end_time = time.time() total_time_taken = task3_end_time - task3_start_time # Assume cache miss for worst-case pricing (adjust if cache info is available) input_cost = (input_tokens / 1_000_000) * INPUT_COST_CACHE_MISS output_cost = (output_tokens / 1_000_000) * OUTPUT_COST total_cost = input_cost + output_cost # Print results print("Response:", response.choices[0].message.content) print("------------------ Total Time Taken for Task 3: ------------------", total_time_taken) 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(response.choices[0].message.content)).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 2:----------------- ", task2_end_time - task2_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)).14 per 1M tokens INPUT_COST_CACHE_MISS = 0.55 / 1_000_000 # .55 per 1M tokens OUTPUT_COST = 2.19 / 1_000_000 # .19 per 1M tokens # Start timing task2_start_time = time.time() # Initialize OpenAI client for DeepSeek API client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com") 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 """} ] # Get token count using tiktoken (adjust model name if necessary) encoding = tiktoken.get_encoding("cl100k_base") # Use a compatible tokenizer input_tokens = sum(len(encoding.encode(msg["content"])) for msg in messages) # Call DeepSeek API response = client.chat.completions.create( model="deepseek-reasoner", messages=messages, stream=False ) # Get output token count output_tokens = len(encoding.encode(response.choices[0].message.content)) task2_end_time = time.time() total_time_taken = task2_end_time - task2_start_time # Assume cache miss for worst-case pricing (adjust if cache info is available) input_cost = (input_tokens / 1_000_000) * INPUT_COST_CACHE_MISS output_cost = (output_tokens / 1_000_000) * OUTPUT_COST total_cost = input_cost + output_cost # Print results print("Response:", response.choices[0].message.content) print("------------------ Total Time Taken for Task 2: ------------------", total_time_taken) 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(response.choices[0].message.content)).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(completion.choices[0].message) print("----------------=Total Time Taken for task 1:----------------- ", task1_end_time - task1_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)).14 per 1M tokens INPUT_COST_CACHE_MISS = 0.55 / 1_000_000 # .55 per 1M tokens OUTPUT_COST = 2.19 / 1_000_000 # .19 per 1M tokens # Start timing task1_start_time = time.time() # Initialize OpenAI client for DeepSeek API client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com") 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.""" } ] # Get token count using tiktoken (adjust model name if necessary) encoding = tiktoken.get_encoding("cl100k_base") # Use a compatible tokenizer input_tokens = sum(len(encoding.encode(msg["content"])) for msg in messages) # Call DeepSeek API response = client.chat.completions.create( model="deepseek-reasoner", messages=messages, stream=False ) # Get output token count output_tokens = len(encoding.encode(response.choices[0].message.content)) task1_end_time = time.time() total_time_taken = task1_end_time - task1_start_time # Assume cache miss for worst-case pricing (adjust if cache info is available) input_cost = (input_tokens / 1_000_000) * INPUT_COST_CACHE_MISS output_cost = (output_tokens / 1_000_000) * OUTPUT_COST total_cost = input_cost + output_cost # Print results print("Response:", response.choices[0].message.content) print("------------------ Total Time Taken for Task 1: ------------------", total_time_taken) 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(response.choices[0].message.content))

DeepSeek-R1の完全な応答をここで見つけることができます。

出力トークンコスト： O3-MINIは論理的な推論のためにDeepSeek-R1を置き換えることができますか？

入力トークン：28 |出力トークン：3323 |推定コスト：0.0073ドル

コード出力

o3-mini api

への入力

比較分析

このタスクでは、モデルは実際のゲームプレイを可能にする機能的なテトリスコードを生成するために必要でした。 DeepSeek-R1は、コード出力ビデオで実証されているように、完全に機能する実装を正常に作成しました。対照的に、O3-Miniのコードはよく構築されているように見えましたが、実行中にエラーが発生しました。その結果、DeepSeek-R1はこのシナリオでO3-MINIを上回り、より信頼性の高いプレイ可能なソリューションを提供します。

スコア：

deepseek-r1：1 | o3-mini：0 タスク2：関係の不平等の分析

このタスクでは、基本的な並べ替え方法に依存するのではなく、リレーショナルの不平等を効率的に分析する必要があります。

プロンプト：

“

次の質問では、与えられたステートメントが真実であると仮定して、与えられた結論の中でどの結論が真実であるかを見つけて、それに応じて答えを与えます。ステートメント：

h＆gt; f≤o≤l; f≥V＆lt; d

結論：I。L≥VII。 o＆gt; d

オプションは次のとおりです a。私だけが真実です

b。 IIのみが真です

c。 IとIIの両方がtrue

です d。 IまたはIIのいずれかがTRUE

です e。私もIIも真実ではありません

deepseek-r1 api への入力

出力トークンコスト：

入力トークン：136 |出力トークン：352 |推定コスト：$ 0.000004 DeepSeek-R1

による

from openai import OpenAI
from IPython.display import display, Markdown
import time

応答

o3-mini api

への入力

出力トークンコスト： O3-MINIは論理的な推論のためにDeepSeek-R1を置き換えることができますか？

入力トークン：135 |出力トークン：423 |推定コスト：$ 0.002010 O3-Mini

with open("path_of_api_key") as file:
   openai_api_key = file.read().strip()

比較分析

O3-MINIは最も効率的なソリューションを提供し、非常に短い時間で簡潔で正確な応答を提供します。明確さを維持しながら、論理的な健全性を確保し、迅速な推論タスクに最適です。 DeepSeek-R1も同様に正しいものの、はるかに遅く、より冗長です。論理的な関係の詳細な内訳は説明可能性を向上させますが、簡単な評価には過度に感じる可能性があります。どちらのモデルも同じ結論に到達しますが、O3-Miniの速度と直接的なアプローチにより、実用的な選択肢になります。

スコア：deepseek-r1：0 | o3-mini：1

タスク3：数学の論理的推論

このタスクは、算術操作、乗算、または数学ルールの組み合わせを含む場合がある数値パターンを認識するようにモデルに挑戦します。ブルートフォース検索の代わりに、モデルは、隠されたロジックを効率的に推測するために構造化されたアプローチを採用する必要があります。

プロンプト：

「指定されたマトリックスを注意深く調査し、その中の疑問符（？）を置き換えることができる与えられたオプションの中から数値を選択します。 ____________ | 7 | 13 | 174 |

| 9 | 25 | 104 |

| 11 | 30 | ？ |

| _____ | ____ | ___ |

オプションは次のとおりです

a 335

b 129

c 431

d 100

各ステップで取ったアプローチに言及してください。 "

deepseek-r1 api

への入力

出力トークンコスト：

入力トークン：134 |出力トークン：274 |推定コスト：$ 0.000003

DeepSeek-R1