DECODING DEEPSEEK R1 ' s Keupayaan Penaakulan Lanjutan

Keupayaan penalaran maju DeepSeek-R1 telah menjadikannya pemimpin baru dalam bidang LLM generasi. Ia telah menyebabkan kacau dalam industri AI, dengan laporan kerugian Nvidia $ 600 bilion selepas pelancaran. Tetapi apa yang menjadikan DeepSeek-R1 begitu terkenal semalaman? Dalam artikel ini, kami akan meneroka mengapa DeepSeek-R1 mendapat begitu banyak perhatian, menyelidiki keupayaannya yang terobosan, dan menganalisis bagaimana kuasa penalarannya membentuk semula aplikasi dunia nyata. Tinggal ketika kami memecahkan prestasi model melalui analisis terperinci dan berstruktur.

Objektif Pembelajaran

• Memahami keupayaan pemikiran maju DeepSeek-R1 dan kesannya terhadap landskap LLM.
• Ketahui bagaimana pengoptimuman dasar relatif kumpulan (GRPO) meningkatkan pembelajaran tetulang tanpa model pengkritik.
• meneroka perbezaan antara DeepSeek-R1-Zero dan DeepSeek-R1 dari segi latihan dan prestasi.
• Menganalisis metrik penilaian dan tanda aras yang mempamerkan keunggulan DeepSeek-R1 dalam tugas penalaran.
• Ketahui bagaimana DeepSeek-R1 mengoptimumkan tugas STEM dan pengekodan dengan model AI yang berskala tinggi.

Artikel ini diterbitkan sebagai sebahagian daripada Blogathon Sains Data

Jadual Kandungan Apakah DeepSeek-R1? DeepSeek-R1 Penilaian DeepSeek-R1

Menilai keupayaan penalaran DeepSeek-R1-7b

• Apa itu DeepSeek-R1?
• Dalam kata-kata mudah, DeepSeek-R1 adalah siri model bahasa canggih yang dibangunkan oleh DeepSeek, yang ditubuhkan pada tahun 2023 oleh Liang Wenfeng. Ia mencapai keupayaan penalaran maju dalam LLM melalui pembelajaran tetulang (RL). Terdapat dua variasi:
• DeepSeek-R1-Zero
• Ia dilatih semata-mata melalui RL pada model asas tanpa diselia dengan baik (SFT), dan ia secara autonomi membangunkan tingkah laku penalaran maju seperti pengesahan diri dan refleksi pelbagai langkah, mencapai ketepatan 71% pada penanda aras AIME 2024
• DeepSeek-R1
• Ia dipertingkatkan dengan data permulaan dan latihan multi-stage (RL SFT), ia menangani isu-isu kebolehbacaan dan mengatasi OpenAI mengenai tugas-tugas seperti Math-500 (97.3% ketepatan) dan cabaran pengekodan (Rating CodeForcese 2029)
DeepSeek menggunakan pengoptimuman dasar relatif kumpulan (GRPO), teknik RL yang tidak menggunakan model pengkritik dan menjimatkan kos latihan RL. GRPO mengoptimumkan dasar dengan mengumpulkan output dan menormalkan ganjaran, menghapuskan keperluan model pengkritik.

• Projek ini juga menyuling corak penalarannya ke dalam model yang lebih kecil (1.5B-70B), membolehkan penggunaan yang cekap. Menurut penanda aras itu model 7B melepasi GPT-4O.

  Kertas DeepSeek-R1 di sini.

  Carta Perbandingan

  Model	GPQA	LiveCode	Diamond Bench	CodeForces pass@1 cons@64	CodeForces pass@1	Rating
  OpenAI-01-mini	63.6	80.0	90.0	60.0	53.8	1820
  OpenAI-01-0912	74.4	83.3	94.8	77.3	63.4	1843
  DeepSeek-R1-Zero	71.0	86.7	95.9	73.3	50.0	1444

  Plot ketepatan DeepSeek-R1-Zero pada dataset AIME

  

  DeepSeek Open Open-soorced Models, Latihan Pipelines, dan Benchmarks bertujuan untuk mendemokrasikan penyelidikan penalaran yang didorong oleh RL, yang menawarkan penyelesaian berskala untuk tugas STEM, pengekodan, dan intensif pengetahuan. DeepSeek-R1 mengarahkan jalan ke era baru SLMS dan LLM yang tinggi, tinggi.
  Apakah pengoptimuman dasar relatif kumpulan (GRPO)?
  Sebelum masuk ke GRPO canggih, mari kita melayari beberapa asas pembelajaran tetulang (RL).
  Pembelajaran tetulang adalah interaksi antara ejen dan persekitaran. Semasa latihan, ejen mengambil tindakan supaya ia memaksimumkan ganjaran kumulatif. Fikirkan tentang bot yang bermain catur atau robot di lantai kilang yang cuba melakukan tugas dengan barang -barang sebenar.
  Ejen belajar dengan melakukan. Ia mendapat ganjaran apabila ia melakukan perkara yang betul; Jika tidak, ia menjadi negatif. Dengan melakukan ujian berulang -ulang ini, ia akan dalam perjalanan untuk mencari strategi yang optimum untuk menyesuaikan diri dengan persekitaran yang tidak diketahui.
  Berikut adalah gambarajah mudah pembelajaran tetulang, ia mempunyai 3 komponen:
  teras RL Loop
  ejen yang mengambil tindakan berdasarkan dasar yang dipelajari.
  Tindakan adalah keputusan yang dibuat oleh ejen pada keadaan tertentu.
  Persekitaran adalah sistem luaran (permainan, lantai bengkel, drone terbang, dll) di mana ejen beroperasi dan belajar dengan berinteraksi.
  Persekitaran memberikan maklum balas kepada ejen dalam bentuk negeri baru dan ganjaran.

  Komponen ejen

  Fungsi nilai menganggarkan seberapa baik keadaan atau tindakan tertentu dari segi ganjaran jangka panjang
  • Dasar adalah strategi yang mentakrifkan pemilihan tindakan ejen.
  • Fungsi nilai memberitahu dasar dengan membantu meningkatkan keputusan
  • Panduan Dasar (Hubungan Panduan) Ejen dalam memilih tindakan dalam gelung RL
  Elemen Pembelajaran
  Pengalaman, di sini ejen mengumpul urus niaga semasa berinteraksi dengan alam sekitar.
  • Pengoptimuman atau kemas kini dasar menggunakan pengalaman untuk memperbaiki dasar dan membuat keputusan yang penting.
  Proses Latihan dan Pengoptimuman dalam DeepSeek-R1-Zero

  Pengalaman yang dikumpulkan digunakan untuk mengemas kini dasar melalui pengoptimuman. Fungsi nilai memberikan pandangan untuk memperbaiki dasar. Dasar ini membimbing ejen, yang berinteraksi dengan alam sekitar untuk mengumpul pengalaman baru dan kitaran berlangsung sehingga ejen mempelajari strategi optimum atau bertambah baik untuk menyesuaikan diri dengan alam sekitar.

  Dalam latihan DeepSeek-R1-Zero, mereka menggunakan pengoptimuman dasar relatif kumpulan atau GRPO, ia menghapuskan model pengkritik dan menurunkan kos latihan.

  Bagi pemahaman saya tentang kertas penyelidikan DeepSeek-R1, inilah proses latihan skematik model DeepSeek-R1-Zero dan DeepSeek-R1.

  DeepSeek-R1-Zero dan R1 Rajah Latihan Tentatif

  

  bagaimana GRPO berfungsi?
  Untuk setiap soalan Q, sampel GRPO sekumpulan output {O1, O2, O2 ..} dari dasar lama dan mengoptimumkan model dasar dengan memaksimumkan objektif di bawah:

  di sini Epsilon dan beta adalah parameter hyper, dan A_I adalah kelebihan yang dikira menggunakan sekumpulan ganjaran {R1, R2, R3 ... Rg} sepadan dengan output dalam setiap kumpulan.

  pengiraan kelebihan

  dalam pengiraan kelebihan, menormalkan ganjaran dalam output kumpulan,

  r_i

  adalah ganjaran untuk output i dan r_group adalah ganjaran semua output dalam kumpulan.

  untuk memaksimumkan kemas kini dasar yang dipotong dengan penalti KL,

  Kullback-Leibler Divergence
  perbezaan KL yang juga dikenali sebagai entropi relatif adalah fungsi jarak statistik, yang mengukur perbezaan antara taburan kebarangkalian model (q) dan taburan kebarangkalian benar (p).
  untuk lebih banyak KL-Divergence
  Persamaan di bawah adalah bentuk matematik KL-Divergence:
  entropi relatif atau jarak KL sentiasa nombor sebenar yang tidak negatif. Ia mempunyai nilai terendah 0 jika dan hanya jika Q dan P adalah sama. Ini bermakna kedua -dua pengagihan kebarangkalian model (q) dan taburan kebarangkalian sebenar (p) bertindih atau sistem yang sempurna.

  Contoh KL Divergence

  Berikut adalah contoh mudah untuk mempamerkan perbezaan KL,

  Kami akan menggunakan fungsi entropi dari pakej statistik Scipy, ia akan mengira entropi relatif antara dua pengagihan.

  p dan q kami sebagai pengedaran Gaussian dan beralih Gaussian masing-masing.

  import numpy as np
  import matplotlib.pyplot as plt
  from scipy.stats import entropy

  # Define two probability distributions P and Q
  x = np.linspace(-3, 3, 100)
  P = np.exp(-(x**2))  # Gaussian-like distribution
  Q = np.exp(-((x - 1) ** 2))  # Shifted Gaussian
  
  # Normalize to ensure they sum to 1
  P /= P.sum()
  Q /= Q.sum()
  
  # Compute KL divergence
  kl_div = entropy(P, Q)

  bahagian kuning adalah perbezaan KL antara p dan Q.

  plt.style.use("ggplot")
  plt.figure(figsize=(12, 8))
  plt.plot(x, P, label="P (Original)", line, color="blue")
  plt.plot(x, Q, label="Q (Shifted)", line, color="red")
  plt.fill_between(x, P, Q, color="yellow", alpha=0.3, label="Difference")
  plt.title(f"KL Divergence: {kl_div:.4f}")
  plt.xlabel("x")
  plt.ylabel("Probability Density")
  plt.legend()
  plt.show()

  Dalam persamaan GRPO, sampel GRPO sekumpulan output untuk setiap pertanyaan dan mengira kelebihan berbanding dengan min dan sisihan piawai kumpulan. Ini mengelakkan latihan model pengkritik yang berasingan. Objektifnya termasuk nisbah yang dipotong dan penalti KL untuk tetap dekat dengan dasar rujukan.

  Bahagian nisbah adalah nisbah kebarangkalian polisi baru dan lama (nisbah) terikat antara 1-epsilon dan 1 epsilon.

  proses perbualan antara pengguna dan pembantu

  Pengguna bertanya soalan, dan model atau pembantu menyelesaikannya dengan memikirkan terlebih dahulu mengenai proses penalaran dan kemudian bertindak balas kepada pengguna.

  Penalaran dan jawapan disertakan dalam rajah di bawah.

  

  import numpy as np
  import matplotlib.pyplot as plt
  from scipy.stats import entropy

  Proses evolusi diri DeepSeek-R1-Zero menunjukkan bagaimana pembelajaran tetulang dapat meningkatkan keupayaan penalaran model secara autonomi. Carta menunjukkan bagaimana keupayaan penalaran model untuk mengendalikan tugas penalaran yang kompleks berkembang.

  Meningkatkan keupayaan dan keupayaan umum dalam DeepSeek-R1

  DeepSeek-R1, menjawab dua soalan penting yang timbul selepas menjanjikan hasil model sifar.

  bolehkah prestasi penalaran diperbaiki lagi?
  • Bagaimana kita boleh melatih model mesra pengguna yang bukan sahaja menghasilkan rantaian pemikiran yang jelas dan koheren (COT) tetapi juga menunjukkan keupayaan umum yang kuat?
  DeepSeek-R1 menggunakan data permulaan sejuk dalam format di mana pemaju mengumpul beribu-ribu data permulaan sejuk untuk menyempurnakan deepseek-v3-base sebagai titik permulaan RL.
  Data ini mempunyai dua kelebihan penting berbanding dengan DeepSeek-R1-Zero.

  

  bacaan

  : Batasan utama model sifar ialah kandungannya tidak sesuai untuk dibaca. Respons bercampur dengan banyak bahasa, dan tidak diformat dengan baik untuk menyerlahkan jawapan untuk pengguna.
  • Potensi : Pakar Pakar Merancang corak data permulaan sejuk untuk membantu prestasi yang lebih baik terhadap DeepSeek-R1-Zero.
  • Penilaian DeepSeek-R1
  Menurut kertas DeepSeek-R1, mereka (pemaju) menetapkan panjang penjanaan maksimum kepada token 32768 untuk model. Mereka mendapati model penalaran output yang panjang menghasilkan kadar pengulangan yang lebih tinggi dengan penyahkodan tamak dan kebolehubahan yang ketara. Oleh itu, mereka menggunakan penilaian lulus@k, ia menggunakan suhu pensampelan 0.6 dan nilai TOP-P sebanyak 0.95 untuk menghasilkan tindak balas nombor K untuk setiap soalan.

  lulus@1 kemudian dikira sebagai:

  di sini, P_I menandakan ketepatan tindak balas I-th, menurut kertas penyelidikan kaedah ini memastikan anggaran prestasi yang lebih dipercayai.

  

  kita dapat melihat bahawa tanda aras pengetahuan berorientasikan pendidikan seperti MMLU, MMLU-PRO, GPQA Diamond, dan DeepSeek-R1 melakukan lebih baik berbanding dengan DeepSeek-V3. Ia telah meningkatkan ketepatan dalam soalan yang berkaitan dengan STEM. DeepSeek-R1 juga menyampaikan hasil yang hebat pada IF-Eval, data penanda aras yang direka untuk menilai keupayaan model untuk mengikuti arahan format.

  matematik yang cukup dan pemahaman teoritis telah dilakukan, yang saya ingin meningkatkan pengetahuan keseluruhan anda tentang pembelajaran tetulang dan aplikasi canggihnya pada pembangunan model DeepSeek-R1. Sekarang kita akan mendapatkan tangan kita di DeepSeek-R1 menggunakan Ollama dan merasai llm yang baru dicetak.

  Menilai keupayaan penalaran DeepSeek-R1-7b

  Penilaian DeepSeek-R1-7b memberi tumpuan kepada keupayaan penalarannya yang dipertingkatkan, terutamanya prestasinya dalam senario penyelesaian masalah yang kompleks. Dengan menganalisis tanda aras utama, penilaian ini memberikan gambaran tentang bagaimana model mengendalikan tugas -tugas penalaran yang rumit berbanding dengan pendahulunya.

  apa yang ingin kita capai

  • Menilai keupayaan penalaran DeepSeek-R1 di seluruh domain kognitif yang berbeza
  • Kenal pasti kekuatan dan batasan dalam tugas penalaran tertentu
  • Memahami potensi aplikasi dunia sebenar

  Persediaan Alam Sekitar

  • Pasang Ollama FromHere
  • Setelah memasangnya ke sistem anda buka terminal anda dan taipkan arahan di bawah, ia akan memuat turun dan memulakan model DeepSeek-R1 7B.

  import numpy as np
  import matplotlib.pyplot as plt
  from scipy.stats import entropy

  sekarang saya mengemukakan soalan ketidaksamaan linear dari ncert

  q.solve 4x 3 & lt; 6x 7

  dan responsnya adalah:

  

  yang tepat mengikut buku.

  AMAZING !!

  kini akan menyediakan persekitaran ujian menggunakan llamaindex yang akan menjadi cara yang lebih menonjol untuk melakukan ini.

  Persekitaran ujian persediaan

  sekarang kita memasang pakej yang diperlukan

  # Define two probability distributions P and Q
  x = np.linspace(-3, 3, 100)
  P = np.exp(-(x**2))  # Gaussian-like distribution
  Q = np.exp(-((x - 1) ** 2))  # Shifted Gaussian
  
  # Normalize to ensure they sum to 1
  P /= P.sum()
  Q /= Q.sum()
  
  # Compute KL divergence
  kl_div = entropy(P, Q)

  Pasang pakej

  kini buka vscode dan buat nama notebook Jupyter prompt_analysis.ipynb akar folder projek.

  plt.style.use("ggplot")
  plt.figure(figsize=(12, 8))
  plt.plot(x, P, label="P (Original)", line, color="blue")
  plt.plot(x, Q, label="Q (Shifted)", line, color="red")
  plt.fill_between(x, P, Q, color="yellow", alpha=0.3, label="Difference")
  plt.title(f"KL Divergence: {kl_div:.4f}")
  plt.xlabel("x")
  plt.ylabel("Probability Density")
  plt.legend()
  plt.show()

  perpustakaan import

  anda mesti terus menjalankan ollama deepseek-r1: 7b di terminal anda.

  <think> reasoning process</think>
  <answer> answer here </answer>
  
  USER: Prompt
  Assistant: Answer

  Sekarang, mulakan dengan masalah matematik

  Output:

  output akan menjadi sangat panjang sehingga output dalam blog ini akan dikurangkan, untuk output penuh anda mesti melihat repositori kod blog di sini.

  senario penalaran dan penyelesaian masalah lanjutan

  Bahagian ini meneroka tugas penyelesaian masalah yang kompleks yang memerlukan pemahaman yang mendalam tentang pelbagai teknik penalaran, dari pengiraan matematik ke dilema etika. Dengan melibatkan diri dengan senario ini, anda akan meningkatkan keupayaan anda untuk berfikir secara kritikal, menganalisis data, dan membuat kesimpulan logik merentasi pelbagai konteks.

  Masalah matematik: Pengiraan kad diskaun dan kesetiaan

  Sebuah kedai menawarkan diskaun 20% pada semua item. Selepas memohon diskaun, terdapat tambahan 10% untuk ahli kad kesetiaan. Jika item pada asalnya berharga $ 150, apakah harga akhir untuk ahli kad kesetiaan? Tunjukkan pengiraan langkah demi langkah anda dan terangkan penalaran anda.

  import numpy as np
  import matplotlib.pyplot as plt
  from scipy.stats import entropy

  output:

  

  Aspek utama prompt ini ialah:
  Keupayaan pengiraan berurutan
  pemahaman konsep peratusan
  Penalaran langkah demi langkah
  kejelasan penjelasan.
  Penalaran Logik: Mengenal pasti percanggahan dalam pernyataan
  Pertimbangkan pernyataan ini: Semua burung boleh flypenguins adalah burung -burung yang tidak dapat terbang dengan sebarang percanggahan dalam pernyataan ini. Sekiranya terdapat percanggahan, terangkan bagaimana menyelesaikannya menggunakan penalaran logik.

  # Define two probability distributions P and Q
  x = np.linspace(-3, 3, 100)
  P = np.exp(-(x**2))  # Gaussian-like distribution
  Q = np.exp(-((x - 1) ** 2))  # Shifted Gaussian
  
  # Normalize to ensure they sum to 1
  P /= P.sum()
  Q /= Q.sum()
  
  # Compute KL divergence
  kl_div = entropy(P, Q)

  output:

  Ini akan menunjukkan konsistensi logik, mencadangkan penyelesaian logik, memahami hubungan kelas, dan penalaran silogistik.

  Analisis rantai kausal: kesan ekosistem penyakit pada serigala

  Dalam ekosistem hutan, penyakit membunuh 80% daripada populasi serigala. Huraikan potensi rantaian kesan yang mungkin ada pada ekosistem dalam tempoh 5 tahun akan datang. Sertakan sekurang -kurangnya tiga tahap sebab dan akibat, dan terangkan alasan anda untuk setiap langkah.

  plt.style.use("ggplot")
  plt.figure(figsize=(12, 8))
  plt.plot(x, P, label="P (Original)", line, color="blue")
  plt.plot(x, Q, label="Q (Shifted)", line, color="red")
  plt.fill_between(x, P, Q, color="yellow", alpha=0.3, label="Difference")
  plt.title(f"KL Divergence: {kl_div:.4f}")
  plt.xlabel("x")
  plt.ylabel("Probability Density")
  plt.legend()
  plt.show()

  output:

  Model cepat ini menunjukkan pemahaman sistem kompleks, menjejaki pelbagai rantai kasual, menganggap kesan tidak langsung, dan menggunakan pengetahuan domain.

  Pengiktirafan corak: Mengenalpasti dan menerangkan urutan nombor
  Pertimbangkan urutan ini: 2, 6, 12, 20, 30, __What nombor seterusnya?

  Jelaskan corak

  Buat formula untuk istilah n.
  Sahkan formula anda berfungsi untuk semua nombor yang diberikan
  output:

  <think> reasoning process</think>
  <answer> answer here </answer>
  
  USER: Prompt
  Assistant: Answer

  Model cemerlang dalam mengenal pasti corak berangka, menghasilkan formula matematik, menjelaskan proses penalaran, dan mengesahkan penyelesaian.

  Masalah kebarangkalian: Mengira kebarangkalian dengan kelereng

  Beg mengandungi 3 guli merah, 4 guli biru, dan 5 guli hijau. Sekiranya anda melukis dua guli tanpa pengganti:

  • Apakah kebarangkalian menggambar dua kelereng biru?
  • Apakah kebarangkalian melukis kelereng warna yang berbeza?

  Tunjukkan semua pengiraan dan terangkan pendekatan anda.

  import numpy as np
  import matplotlib.pyplot as plt
  from scipy.stats import entropy

  output:

  

  Model ini dapat mengira kebarangkalian, mengendalikan masalah bersyarat, dan menerangkan penalaran probabilistik.
  Debugging: Kesalahan logik dalam kod dan penyelesaian mereka
  Kod ini mempunyai kesilapan logik yang menghalangnya daripada berjalan dengan betul.

  # Define two probability distributions P and Q
  x = np.linspace(-3, 3, 100)
  P = np.exp(-(x**2))  # Gaussian-like distribution
  Q = np.exp(-((x - 1) ** 2))  # Shifted Gaussian
  
  # Normalize to ensure they sum to 1
  P /= P.sum()
  Q /= Q.sum()
  
  # Compute KL divergence
  kl_div = entropy(P, Q)

  Kenal pasti semua masalah yang berpotensi
  Jelaskan mengapa masing -masing adalah masalah
  menyediakan versi yang diperbetulkan
  Jelaskan mengapa penyelesaian anda lebih baik

  plt.style.use("ggplot")
  plt.figure(figsize=(12, 8))
  plt.plot(x, P, label="P (Original)", line, color="blue")
  plt.plot(x, Q, label="Q (Shifted)", line, color="red")
  plt.fill_between(x, P, Q, color="yellow", alpha=0.3, label="Difference")
  plt.title(f"KL Divergence: {kl_div:.4f}")
  plt.xlabel("x")
  plt.ylabel("Probability Density")
  plt.legend()
  plt.show()

  output:

  

  DeepSeek-R1 mendapati kes kelebihan, memahami keadaan ralat, menggunakan pembetulan, dan menerangkan penyelesaian teknikal.

  Analisis Perbandingan: Elektrik vs Gasoline Cars
  Bandingkan kereta elektrik dan kereta petrol tradisional dari segi:

  Kesan Alam Sekitar

  kos jangka panjang
  kemudahan
  Prestasi
  • Untuk setiap faktor, berikan contoh khusus dan titik data. Kemudian, terangkan jenis kereta mana yang lebih baik untuk:

  penghuni bandar dengan perjalanan singkat

  jurujual perjalanan yang memandu sejauh 30,000 batu setiap tahun
  • membenarkan cadangan anda.
  output:

  <think> reasoning process</think>
  <answer> answer here </answer>
  
  USER: Prompt
  Assistant: Answer

  Ini adalah tindak balas yang besar, saya suka proses penalaran. Ia menganalisis pelbagai faktor, menganggap konteks, membuat cadangan yang baik, dan mengimbangi keutamaan bersaing.

  dilema etika: membuat keputusan dalam kereta memandu sendiri

  Kereta memandu sendiri mesti membuat keputusan yang berpecah-belah:

  swerve kiri: tekan dua pejalan kaki
  Swerve right: memukul dinding, serius mencederakan penumpang
  • Swerve right: memukul dinding, serius mencederakan penumpang
  Apa yang perlu dilakukan oleh kereta? Berikan alasan anda, memandangkan:
  Rangka kerja etika yang digunakan
  Asumsi dibuat
  • hierarki keutamaan
  • Implikasi jangka panjang
  output:

  $ollama run deepseek-r1:7b

  Jenis masalah ini paling bermasalah untuk model AI generatif. Ia menguji penalaran etika, pelbagai perspektif, dilema moral, dan penghakiman nilai. Secara keseluruhan, ia adalah satu baik. Saya fikir lebih banyak penalaan domain khusus domain akan menghasilkan tindak balas yang lebih mendalam.

  Analisis Statistik: Menilai Tuntutan Kajian mengenai Penggunaan Kopi

  Kajian mendakwa bahawa peminum kopi hidup lebih lama daripada peminum bukan kopi. Kajian ini mengamati 1000 orang berumur 40-50 selama 5 tahun.

  Kenal pasti:

  • Pembolehubah berpotensi membingungkan
  • Sampling Biases
  • Penjelasan alternatif
  • Apakah data tambahan akan menguatkan atau melemahkan kesimpulan?

  import numpy as np
  import matplotlib.pyplot as plt
  from scipy.stats import entropy

  output:

  

  Ia memahami konsep statistik dengan cukup baik, mengenal pasti batasan penyelidikan, dan pemikiran kritikal terhadap data, dan mencadangkan penambahbaikan metodologi.
  Analisis siri masa

  # Define two probability distributions P and Q
  x = np.linspace(-3, 3, 100)
  P = np.exp(-(x**2))  # Gaussian-like distribution
  Q = np.exp(-((x - 1) ** 2))  # Shifted Gaussian
  
  # Normalize to ensure they sum to 1
  P /= P.sum()
  Q /= Q.sum()
  
  # Compute KL divergence
  kl_div = entropy(P, Q)

  output:

  DeepSeek suka masalah matematik, mengendalikan kerosakan eksponen, menyediakan model matematik yang baik, dan menyediakan pengiraan.

  Tugas penjadualan

  plt.style.use("ggplot")
  plt.figure(figsize=(12, 8))
  plt.plot(x, P, label="P (Original)", line, color="blue")
  plt.plot(x, Q, label="Q (Shifted)", line, color="red")
  plt.fill_between(x, P, Q, color="yellow", alpha=0.3, label="Difference")
  plt.title(f"KL Divergence: {kl_div:.4f}")
  plt.xlabel("x")
  plt.ylabel("Probability Density")
  plt.legend()
  plt.show()

  output:

  Ia boleh mengendalikan pelbagai kekangan, menghasilkan jadual yang dioptimumkan, dan menyediakan proses penyelesaian masalah.

  Analisis Cross-Domain
  output:

  <think> reasoning process</think>
  <answer> answer here </answer>
  
  USER: Prompt
  Assistant: Answer

  Ia melakukan tugas dengan baik untuk membandingkan pelbagai jenis domain bersama -sama yang sangat mengagumkan. Jenis penalaran ini membantu pelbagai jenis domain bersama -sama supaya masalah satu domain dapat diselesaikan oleh penyelesaian dari domain lain. Ia membantu penyelidikan mengenai pemahaman silang domain.

  Walaupun, terdapat banyak contoh yang mendorong anda boleh bereksperimen dengan model pada sistem tempatan anda tanpa membelanjakan sebarang sen. Saya akan menggunakan DeepSeek-R1 untuk lebih banyak penyelidikan, dan belajar tentang bidang yang berbeza. Yang anda perlukan adalah komputer riba, masa anda, dan tempat yang bagus.

  semua kod yang digunakan dalam artikel ini di sini.

  Kesimpulan

  DeepSeek-R1 menunjukkan keupayaan yang menjanjikan dalam pelbagai tugas penalaran, mempamerkan keupayaan penalaran lanjutannya dalam analisis logik berstruktur, penyelesaian masalah langkah demi langkah, pemahaman multi-konteks, dan pengumpulan pengetahuan dari subjek yang berbeza. Walau bagaimanapun, terdapat bidang penambahbaikan, seperti penalaran temporal yang kompleks, mengendalikan kekaburan yang mendalam, dan menjana penyelesaian kreatif. Paling penting, ia menunjukkan bagaimana model seperti DeepSeek-R1 boleh dibangunkan tanpa beban kos latihan besar GPU.

  Model sumber terbuka mendorong AI ke arah alam yang lebih demokratik. Penyelidikan baru tidak lama lagi akan dijalankan pada kaedah latihan ini, yang membawa kepada model AI yang lebih kuat dan berkuasa dengan keupayaan penalaran yang lebih baik. Walaupun AGI masih berada di masa depan yang jauh, kemajuan DeepSeek-R1 menunjukkan masa depan di mana AGI akan muncul dengan tangan dengan orang ramai. DeepSeek-R1 sudah pasti satu langkah utama ke hadapan dalam merealisasikan sistem penalaran AI yang lebih maju.

  Takeaways Key

  • Keupayaan penalaran maju DeepSeek R1 bersinar melalui keupayaannya untuk melakukan analisis logik berstruktur, menyelesaikan masalah langkah demi langkah, dan memahami konteks kompleks di seluruh domain yang berbeza.
  • Model ini menolak sempadan penalaran dengan mengumpulkan pengetahuan dari pelbagai subjek, menunjukkan pemahaman multi-kontekstual yang mengagumkan yang membezakannya daripada LLM generatif yang lain.
  Walaupun kekuatannya, keupayaan pemikiran maju Deepseek R1 masih menghadapi cabaran di kawasan -kawasan seperti penalaran temporal yang kompleks dan pengendalian kekaburan, yang membuka pintu untuk penambahbaikan masa depan.
  • Dengan membuat model sumber terbuka, DeepSeek R1 bukan sahaja memajukan pemikiran tetapi juga menjadikan AI canggih lebih mudah diakses, menawarkan pendekatan yang lebih demokratik untuk pembangunan AI.
  • Keupayaan penalaran maju DeepSeek R1 membuka jalan bagi kejayaan masa depan dalam model AI, dengan potensi AGI muncul melalui penyelidikan dan inovasi yang berterusan.
  • Soalan Lazim
  q

  1. Bagaimanakah DeepSeek-R1-7b membandingkan dengan model besar dalam tugas penalaran?

  a. Walaupun ia tidak sepadan dengan kuasa model 32B atau 70B yang lebih besar, ia menunjukkan prestasi yang setanding dalam tugas penalaran struktur, terutamanya dalam analisis matematik dan logik. Apakah amalan terbaik untuk reka bentuk segera semasa menguji penalaran? a. Tulis keperluan langkah demi langkah, fokus pada arahan yang jelas, dan kriteria penilaian eksplisit. Soalan multipart sering memberikan wawasan yang lebih baik daripada soalan tunggal.

  q 3. Betapa boleh dipercayai kaedah penilaian ini? a. Kita adalah manusia, kita mesti menggunakan otak kita untuk menilai tindak balas. Ia harus digunakan sebagai sebahagian daripada strategi penilaian yang lebih luas yang merangkumi metrik kuantitatif dan ujian dunia nyata. Mengikuti prinsip ini akan membantu penilaian yang lebih baik.

  
  Media yang ditunjukkan dalam artikel ini tidak dimiliki oleh Analytics Vidhya dan digunakan pada budi bicara penulis.

Atas ialah kandungan terperinci DECODING DEEPSEEK R1 ' s Keupayaan Penaakulan Lanjutan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!