目錄的
>- deepseek-r1 vs o3-mini：邏輯推理基準
- >
- deepSeek-r1 vs o3-mini：api定價比較
-
- 推理比較
- 任務2：分析關係不等式
- 任務3：數學
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？
>
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
with open("path_of_api_key") as file:
openai_api_key = file.read().strip()> deepSeek-r1 vs o3-mini：邏輯推理比較with open("path_of_api_key") as file:
deepseek_api = file.read().strip()
>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
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
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: ${total_cost:.6f}")
# Display result
from IPython.display import Markdown
display(Markdown(response.choices[0].message.content))>您可以在這裡找到DeepSeek-R1的完整響應。 >
>輸出令牌成本：
>輸入令牌：28 |輸出令牌：3323 |估計成本：$ 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：
>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
>輸出令牌成本：
>
>
with open("path_of_api_key") as file:
openai_api_key = file.read().strip()>輸出令牌成本：
>輸入令牌：135 |輸出令牌：423 |估計成本：$ 0.002010
O3-Mini
比較分析 分數： deepseek-r1：0 | O3-Mini：1 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：
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：
>輸入到O3-Mini API >
>輸出令牌成本： 輸出>>>
應用此模式：
第3行：11^3 - 30^2 = 1331 - 900 = 431 因此，正確的答案是431。
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？
> 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。 
>任務3：數學中的邏輯推理
from openai import OpenAI
from IPython.display import display, Markdown
import time
DeepSeek-R1
（第一個數字）^3-（第二個數字）^2 = 3rd number
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。
>
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！
隨著AI的使用飆升，公司從SEO轉移到GEOMay 05, 2025 am 11:09 AM隨著AI應用的爆炸式增長，企業正從傳統的搜索引擎優化(SEO)轉向生成式引擎優化(GEO)。 谷歌正引領這一轉變。其“AI概述”功能已服務於超過十億用戶，在用戶點擊鏈接之前提供完整的答案。 [^2] 其他參與者也在迅速崛起。 ChatGPT、微軟Copilot和Perplexity正在創造一種全新的“答案引擎”類別，完全繞過了傳統的搜索結果。 如果您的企業沒有出現在這些AI生成的答案中，潛在客戶可能永遠不會發現您——即使您在傳統的搜索結果中排名靠前。 從SEO到GEO——這究竟意味著什麼？ 幾十年來
大量賭注這些途徑將推動當今的AI成為珍貴的AGIMay 05, 2025 am 11:08 AM讓我們探索人工通用智能（AGI）的潛在途徑。 該分析是我正在進行的《福布斯》列的AI進步的一部分，並深入研究了達到AGI和人工超智慧（ASI）的複雜性。 （請參閱相關藝術
您是訓練聊天機器人，反之亦然嗎？May 05, 2025 am 11:07 AM人機互動：一場互適應的微妙舞蹈 與AI聊天機器人互動，如同參與一場微妙的相互影響的舞蹈。你的提問、回應和偏好逐漸塑造著系統，使其更好地滿足你的需求。現代語言模型通過顯式反饋機制和隱式模式識別來適應用戶的偏好。它們學習你的溝通風格，記住你的偏好，並逐漸調整其回應以符合你的預期。 然而，在我們訓練數字夥伴的同時，同樣重要的事情也在反向發生。我們與這些系統的互動正在微妙地重塑我們自身的溝通模式、思維過程，甚至對人際對話的期望。 我們與AI系統的互動已經開始重塑我們對人際互動的期望。我們適應了即時回應、
加利福尼亞攻擊AI到快速賽道野火恢復許可證May 04, 2025 am 11:10 AMAI簡化了野火恢復允許 澳大利亞科技公司Archistar的AI軟件，利用機器學習和計算機視覺，可以自動評估建築計劃以符合當地法規。這種驗證前具有重要意義
美國可以從愛沙尼亞AI驅動的數字政府中學到什麼May 04, 2025 am 11:09 AM愛沙尼亞的數字政府：美國的典範？ 美國在官僚主義的效率低下方面掙扎，但愛沙尼亞提供了令人信服的選擇。 這個小國擁有由AI支持的近100％數字化的，以公民為中心的政府。 這不是
通過生成AI的婚禮計劃May 04, 2025 am 11:08 AM計劃婚禮是一項艱鉅的任務，即使是最有條理的夫婦，也常常壓倒了婚禮。 本文是關於AI影響的持續福布斯系列的一部分（請參閱此處的鏈接），探討了生成AI如何徹底改變婚禮計劃。 婚禮上
什麼是數字防禦AI代理？May 04, 2025 am 11:07 AM企業越來越多地利用AI代理商進行銷售，而政府則將其用於各種既定任務。 但是，消費者倡導強調個人需要擁有自己的AI代理人作為對經常定位的辯護的必要性
商業領袖生成引擎優化指南（GEO）May 03, 2025 am 11:14 AMGoogle正在領導這一轉變。它的“ AI概述”功能已經為10億用戶提供服務，在任何人單擊鏈接之前提供完整的答案。 [^2] 其他球員也正在迅速獲得地面。 Chatgpt，Microsoft Copilot和PE
熱AI工具
Undresser.AI Undress
人工智慧驅動的應用程序，用於創建逼真的裸體照片
AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。
Undress AI Tool
免費脫衣圖片
Clothoff.io
AI脫衣器
Video Face Swap
使用我們完全免費的人工智慧換臉工具，輕鬆在任何影片中換臉！
熱門文章
熱工具
Atom編輯器mac版下載
最受歡迎的的開源編輯器
DVWA
Damn Vulnerable Web App (DVWA) 是一個PHP/MySQL的Web應用程序，非常容易受到攻擊。它的主要目標是成為安全專業人員在合法環境中測試自己的技能和工具的輔助工具，幫助Web開發人員更好地理解保護網路應用程式的過程，並幫助教師/學生在課堂環境中教授/學習Web應用程式安全性。 DVWA的目標是透過簡單直接的介面練習一些最常見的Web漏洞，難度各不相同。請注意，該軟體中
SublimeText3 Linux新版
SublimeText3 Linux最新版
EditPlus 中文破解版
體積小，語法高亮，不支援程式碼提示功能
記事本++7.3.1
好用且免費的程式碼編輯器
