DeepSeek v3: The First Open Model to Rival OpenAI and Anthropic!

Deepseek hat gerade V veröffentlicht. Es handelt sich um das erste Open Source Modell, das tatsächlich mit proprietären Closed Source Modellen mithalten kann. Das schneidet nicht nur bei Benchmarks ab, sondern auch bei unabhängigen externen Tests. Selbst bei meinen eigenen Tests unterscheidet es sich deutlich von anderen Modellen und das Beste daran ist, dass dieses Modell mit einem Bruchteil dessen trainiert wurde, was andere Anbieter proprietärer Modelle leisten. Das wird ein langes Video. Es besteht aus zwei Abschnitten. Erstens sprechen wir über die technischen Details dieses Modells und dann zeige ich euch einige meiner eigenen Tests. Wir werden die guten und die schlechten Seiten dieses Modells besprechen. Wenn ihr euch für die Tests interessiert, könnt ihr diesen Teil überspringen. Nur ein Es ist eines der besten Modelle für Schlussfolgerungen, obwohl es nicht speziell für Schlussfolgerungen trainiert wurde. Neben dem Modell haben sie auch einen sehr detaillierten technischen Bericht veröffentlicht, der alle verschiedenen Animationen, die sie erstellt haben, durchgeht und alles zusammenfasst. Basierend auf der externen Validierung ist es zweifellos das beste Openweight Modell auf dem Markt und liegt auf Augenhöhe mit Cloud 3.5 Sonnet. Es schlägt GBD in einer Reihe verschiedener Benchmarks. Allerdings lässt es sich nicht wirklich lokal ausführen, da es sich um ein riesiges modell mit über 600 Milliarden Parametern handelt. Es handelt sich um ein Modell, bei dem für jede Vorhersage 37 Milliarden aktive Parameter vorhanden sind. Es ist also riesig und ES wurde mit 14,8 Billionen hochwertigen Token trainiert. Das Training wurde zu Kosten von fast 5 Millionen US Dollar durchgeführt, was nur ein Bruchteil dessen ist, was andere Modellentwickler für das Training ihrer Foundation Modelle ausgeben. Die Mitarbeiter von Artificial Analysis haben dazu einen sehr detaillierten Beitrag auf X veröffentlicht, der auf eine ganze Reihe von Details eingeht. Hier ist eine kurze Zusammenfassung. Das ist fast dreimal so groß wie die vorherige 2.5 Deepsec Version und liegt laut. Dieser unabhängigen Analyse in der Leistung nahe an Clock Set liegt direkt unter Gemini, Flash und Open I Series ist das Reasoning Modell. Aber in meinen eigenen Experimenten hat DeepSec V wirklich gute Reasoning Fähigkeiten. Und obwohl es im Vergleich zum Vorgängermodell viel größer ist, ist es mit fast t pro Sekunde tatsächlich wahnsinnig schnell, was fast viermal schneller ist als das Vorgängermodell. Ich zeige euch ein paar Beispiele. Es fühlt sich an, als würdet ihr die Grog API ausführen. Überraschenderweise dauerte es nur 5,6 Millionen und sie haben es in 57 Tagen mit nur 2,48 Stunden GPU Clustern trainiert. Dies sind die bandbreitenbeschränkten Versionen von H. H sind viel schneller, aber das Deep S Team hatte keinen Zugriff auf H. Aber trotzdem konnten sie dieses phänomenale Modell mit nur einem Bruchteil dessen trainieren, was die anderen proprietären Modellentwickler ausgeben. Wenn man also die Qualität mit dem Preis vergleicht, selbst mit den aktuellen API Kosten, die Sie haben, ist es wahrscheinlich eines der besten Modelle in Bezug auf die Qualität im Verhältnis zu den Kosten. Von der Qualität her ist es nah an 3.5 Sonne dran, aber preislich kommt es Gemini 1 schon sehr nahe. 1.5 Flash oder es ist, als würde man ein Lava 3,370 Milliarden Modell ausführen. Und da es sich um ein Open Weight Modell handelt, kann man es lokal ausführen, wenn man über einen ausreichend großen Cluster verfügt. Alternativ gibt es eine Reihe verschiedener API Anbieter, die es zu unterschiedlichen Preisklassen hosten. Man hat also die Wahl. Und was die Tests betrifft, gibt es unabhängige Anbieter, wie zum Beispiel die Artificial Analysis Group. Der Ersteller von Ada hat auch die Ergebnisse veröffentlicht, die ziemlich beeindruckend aussehen. Es liegt also direkt hinter dem Modell. Es scheint besser zu sein als sonnet 3.5 und gemini experimental 1206 selbst bei meinen eigenen Tests, speziell bei Schlussfolgerungsaufgaben, kann es einige der Schlussfolgerungsaufgaben lösen, die beispielsweise Claude oder Gemini nicht lösen konnten, was ziemlich beeindruckend ist. Und das Verhalten ist dem von sehr ähnlich. Sie können sich nun auch die offiziellen Benchmarks ansehen, die deepseek bereitgestellt hat. Wenn Sie sich hier die Basisversion des Modells ansehen, liegt es beim Codieren sehr nah an Cloud 3.5 Sonnet. Es übertrifft 3.5 Sonnet bei einer Reihe verschiedener Benchmarks, liegt aber bei Sway, Verified und Adered hinter dem Sonnet Modell, obwohl es, wie wir bei A selbst gesehen haben, tatsächlich besser abschneidet als Cloud 3.5 Sonnet, obwohl es bei Polyglot viel besser abschneidet als Cloud 3.5 Sonnet. Diese Ergebnisse, die Sie sehen, gelten für die Basisversion. Es gibt auch die Instruct Version, die jetzt für Hugging Face verfügbar ist. Ich gehe also davon aus, dass diese Ergebnisse bei der Instruct Version wahrscheinlich besser sind. Was das Kontextfenster betrifft, so verfügt es über ein Kontextfenster von bis zu Token. Es ist also ein recht brauchbares Modell und da es sich um ein MOE handelt, wird es viel effizienter ausgeführt werden können, obwohl Sie definitiv einen viel größeren Cluster benötigen, da es sich im Wesentlichen um ein modell mit über 600 Milliarden Parametern handelt. Eine Sache ist sehr interessant, die ein Comeback erlebt. Gemini IST angeblich ein Open Source Modell und jetzt haben wir ein Open Source Gewichtungsmodell, das mit 3,5 Sonnet vergleichbar ist. Nun noch ein paar weitere technische Details, die es hervorzuheben gilt. Erstens haben Sie das Training in FP Mix Präzision durchgeführt und dies ist wahrscheinlich das erste Mal, dass jemand gezeigt hat, dass es tatsächlich machbar ist, dass man ein so großes Modell effektiv in Bit Gleitkommagenauigkeit trainieren kann. Sie mussten dies aufgrund der Rechenbeschränkungen tun, die Sie haben und für das Training mussten Sie sich einige innovative Strategien für den Lastausgleich sowie einige Innovationen im Trainingsalgorithmus selbst einfallen lassen. Sie haben außerdem eine Multi Token Prognose durchgeführt. Falls Sie nun nach einer technischen Aufschlüsselung suchen, gibt es einen tollen Beitrag von einem Nutzer namens WH darüber, wie dies trainiert wurde. Im Grunde genommen hat sich dieser Nutzer den technischen Bericht angesehen und ihn mit all den Innovationen, die er vorgenommen hat, aufgeschlüsselt. Wenn Sie sich dafür interessieren, empfehle ich Ihnen dringend, sich diesen Beitrag auf X anzusehen. Ich werde einen Link dazu in die Videobeschreibung einfügen. OK, genug mit den Modelldetails. Testen wir das Modell. Es gibt zwei verschiedene Möglichkeiten. Sie können entweder die Web Benutzeroberfläche oder die API verwenden. Sie können die API auf der offiziellen deepseek Plattform verwenden oder da es sich um ein offenes Gewichtsmodell handelt, wird es auch von OpenRouter gehostet. Sie können also auch diese API verwenden. Der schnellste Weg, um mit diesem Modell zu beginnen, ist jedoch die Verwendung der deepseek Plattform. Sie können sich einfach anmelden und es dann völlig kostenlos nutzen. Wenn Sie nun auf die Plattform gehen, sehen Sie eine Oberfläche wie diese und können einfach Ihre Nachricht eingeben. Hier sehen Sie nun zwei verschiedene Optionen. Eine ist Deep Thinking, das logische Schlussfolgerungen löst. Dies ist eigentlich ein älteres Modell, das als R bezeichnet wird. Es handelt sich um ein logisches Modell, das dem oder quinlogische Schlussfolgerungsmodell ähnelt. Sie können auch die Websuche aktivieren, wenn Sie möchten, aber wir möchten direkt das Deep Sequence Modell verwenden. Schauen wir uns an, wie schnell die Generierung ist. Ich werde es bitten, mir einen Witz zu erzählen. Das ist eine Echtzeitgeschwindigkeit, was für ein Modell dieser Größe ziemlich schnell ist. Um seine Codierungs und logische Schlussfolgerungsfähigkeiten zu testen, habe ich einige Tests durchgeführt. Ich zeige Ihnen nun die Ergebnisse dieser Tests. OK, beginnen wir zunächst mit dem Codieren. Ich habe zwei verschiedene Eingaben Eingabeaufforderungen verwendet. Die erste besteht darin, einen HTML Code für eine Website in einer einzigen Datei mit den folgenden Merkmalen zu Die Webseite soll also eine Schaltfläche mit der Aufschrift Klick mich haben und immer wenn der Benutzer auf diese Schaltfläche klickt, soll uns ein Witz aus einer Liste mit zufälligen Witzen angezeigt werden. Dann soll es auch noch zufällig den Hintergrund der Seite ändern und uns außerdem eine Animation zeigen. Meiner Erfahrung nach waren frühere Modelle, selbst die größeren, nicht in der Lage, einen korrekten Code zu generieren, um all diese Dinge zu tun. Aber hier haben wir den HTML Code. Es wurde auch eine Liste verschiedener Witze generiert. Man sieht aber, dass die Witze nicht einzigartig sind. Die meisten LLMs generieren sehr ähnliche Witze. Um nun zu sehen, ob das tatsächlich funktioniert oder nicht, habe ich den Code hier kopiert. Wir werden ihn ausführen. Wie wir sehen können, gibt es einen Button mit der Aufschrift Klick mich. Die Anweisungen lauten Klicke auf den Button, um einen Witz zu erhalten. Die Hintergrundfarbe ändert sich, es wurde uns ein zufälliger Witz angezeigt und er hat diese Animation. Das ist also ziemlich cool. Er kann alles tun, was wir verlangt haben. Der zweite Code Test ist etwas aufwendiger und ähnelt dem, was Sie vielleicht kennen. Im Grunde genommen wird hier eine Funktion erstellt. Es soll sich wieder um eine Web App handeln, die eine Texteingabe des Benutzers entgegennimmt und dann basierend auf dieser Textbeschreibung ein Bild generiert. Für die Bilderzeugung verwenden wir eine externe API, die auf Replicate gehostet wird. Hierfür möchte ich das Flux Modell verwenden. Ich habe die Dokumentation bereitgestellt, wie dieser API Aufruf erfolgen soll. Wir haben also eine Liste mit Anweisungen, was getan werden soll. Ich habe ein paar Dinge hinzugefügt. Es soll eine Schaltfläche geben, mit der das Bild generiert und heruntergeladen werden kann. Und dann gibt es eine weitere Schaltfläche mit der das Bild mit derselben Eingabeaufforderung neu generiert werden soll. Ich wollte das Backend in Python und das Frontend mit HTML erstellen. Da mehrere verschiedene Dateien generiert werden, wollte ich zuerst eine Projektstruktur generieren und uns dann einen Bash Befehl zur Verfügung stellen, mit dem ich diese gesamte Struktur mit einem einzigen Befehl erstellen kann. OK, hier ist die Ausgabe. Zuerst wurde die Projektstruktur genauso erstellt, wie ich sie wollte, und dann wurde uns dieser Bash Befehl angezeigt, den ich ausführen kann, um die gesamte Struktur lokal zu erstellen. Danach wurden die Datei requirements ext und die eigentliche Datei app py generiert. Dies ist also eine Flask App in Python. Dies wird die Hauptbenutzeroberfläche innerhalb von HTML Index oder index sein und das Styling erfolgt mit Hilfe von CSS. Außerdem werden wir Schritt für Schritt durch den Prozess geführt, wie wir diese App ausführen können. Hier ist also das Projekt, das ich auf Grundlage aller Anweisungen erstellt habe. Sie sehen, dass ich auch einige andere Variationen mit anderen Modellen habe. Als ich dies nun zum ersten Mal ausgeführt habe, stieß ich auf dieses Problem, weil die Datei index HTML nicht gefunden werden konnte. Ich musste also nur diesen Fehler hier kopieren und dann wurde der Code aktualisiert, um den Pfad dieser Datei zu berücksichtigen. Interessanterweise wurde mir auch eine alternative Lösung angeboten, aber mit dieser ersten Lösung hat alles funktioniert. Es gab den zweiten Fehler, weil versucht wurde, eine JSON Ausgabe zu generieren und dann habe ich diesen Fehler einfach kopiert und der Code wurde aktualisiert. So funktioniert es nun. Ich bin also zum erstellten Backend Ordner gegangen und dann führe ich einfach die Datei app py aus. Hier ist also die Adresse, auf die wir zugreifen sollen, und das ist die App. Die Benutzeroberfläche könnte definitiv noch etwas Arbeit vertragen, aber lassen Sie Sie doch einfach ein Bild eines Tigers erstellen. Wenn ich auf Generieren klicke, sehen wir tatsächlich ein Bild eines Tigers, was ziemlich genial ist. Unten ist diese Schaltfläche. Wenn ich auf Neu generieren klicke, wird ein weiteres Bild generiert. Das scheint also zu funktionieren. Und wenn ich dann auf Herunterladen klicke, wird die Datei für uns heruntergeladen. Und hier ist die heruntergeladene Version, die ziemlich gut aussieht. Aber insgesamt bin ich mit den Ergebnissen, die wir erhalten haben, sehr zufrieden. Ich denke, Sie sind auf Augenhöhe mit Gemini und Cloud Sonnet. Als nächstes werde ich Ihre Argumentationsfähigkeiten testen. Es ist zwar kein spezielles Argumentationsmodell wie, aber ich habe festgestellt, dass man fehlgeleitete Aufmerksamkeit verwenden kann, um die Intelligenz des Modells wirklich zu messen, und Sie haben das wahrscheinlich schon in einigen meiner vorherigen Videos gesehen. Die Idee ist ganz Sie geben dem Modell ein sehr bekanntes Problem oder Paradoxon, indem Sie den Wortlaut leicht ändern, sodass es sich nicht mehr um ein Paradoxon handelt, und dann versuchen Sie zu messen oder zu sehen, ob es diese modifizierte Version beantworten kann oder nicht. Bisher konnte nach meinen Tests keines der Modelle einschließlich alle von mir angegebenen Probleme zuverlässig lösen, wie gut diese tiefe Gleichung 3 ist. Und wir beginnen mit einem sehr einfachen Und Zwar haben wir zwei verschiedene Krüge, einer fasst 12 Liter und einer 6 Liter. Und ich möchte genau 6 Liter messen. Mal sehen, was es tut. Dies ist noch einmal die wahre Geschwindigkeit der Generierung. OK, ich habe es also ein paar Mal ausgeführt und beide Male kam es zur gleichen Antwort. Und das ist äußerst clever, denn ich denke, es ist eines der wenigen Modelle, das dies richtig macht. Es sagt also, dass das messen von genau 6 Liter bei einem L Krug und einem Liter Krug unkompliziert ist. So machen Sie es. Verwenden Sie also einen 6 Liter Krug, da Sie nicht einmal mehr den 12 Liter Krug benötigen. Die meisten anderen Modelle, selbst Modelle wie Gemini oder GPD 40 erstellen eine Liste. Sehr komplexer Schritte, um diese Aufgabe zu erledigen. Das ist also überraschend gut. Jetzt werde ich das Schrigingscat Paradoxon ausprobieren, aber in diesem Fall ist die Katze bereits tot und mal sehen, ob es in der Lage ist, zu erkennen oder zu identifizieren, dass die Katze tot ist. Das ist also die tatsächliche Generierungsgeschwindigkeit, von der wir sprechen. Ein modell mit über 600 Milliarden, quasi die Tücher von Krokodil für ein sehr großes Modell. Nun heißt es, dieses Szenario sei eine Variation des berühmten Gedankenexperiments Der Schrijinket in der Quantenmechanik. Lassen Sie es uns aufschlüsseln. Eine tote Katze wird in die Kiste gelegt. Es ist also wirklich clever, dass es bereits erkannt hat, dass die Katze zunächst tot ist, was sich vom ursprünglichen Gedankenexperiment unterscheidet. Es gibt ein Kernisotop und einen Strahlungsdetektor. Da die Katze aber bereits tot ist, beträgt die Wahrscheinlichkeit, dass die katze noch lebt, 0 Prozent, denn die Katze ist bereits tot, wenn sie in die Kiste gelegt wird. Das Quantenereignis ändert an diesem Ergebnis nichts. Das einzige andere Modell, das ich gesehen habe, das dies durchweg richtig darstellt, ist. Machen wir die Sache nun noch etwas komplizierter. Wir stellen also das Barbier Paradoxon, das jedoch eine kleine Abweichung davon Dieser Barbier hat eine einzigartige Regel Er rasiert alle Männer in der Stadt, die ihn besuchen, Und die Frage Rasiert sich der Barbier selbst? Lassen Sie uns das also durchgehen und sehen, was dabei herauskommt. Ich denke, es handelt sich nun um das Problem der fehlgeleiteten Aufmerksamkeit. Es heißt also, dass dies ein klassisches Beispiel für das Barbier Paradoxon ist, das eine Variante des Russell Paradoxons in der Mengenlehre ist. Analysieren wir die Regel. Der Barbier rasiert also alle Männer in der Stadt, die ihn besuchen. Die Frage Rasiert sich der Barbier selbst? Wenn man nun aber versucht, das Ganze noch weiter aufzuschlüsseln, heißt Wenn sich der Barbier selbst rasiert, dann rasiert er laut Regel nur die Männer, die ihn besuchen. Das würde bedeuten, dass er sich selbst rasiert. Das führt zu keinen unmittelbaren Widersprüchen. Richtig? Wenn sich der Barbier jedoch nicht selbst rasiert, dann muss er laut Regel alle Männer rasieren, die ihn besuchen. Da er sich nicht selbst rasiert, impliziert dies, dass er sich nicht selbst besucht, was logisch inkonsistent ist. Ich denke, das führt zurück zum ursprünglichen Teil unseres Paradoxons, der besagt, dass er nur die Männer rasiert, die sich nicht selbst rasieren. Es geht eher darauf zurück als auf die aktuelle Formulierung, nach der es für den Barbier kein Problem sein sollte, sich selbst zu rasieren. Das Modell ist also ein wenig durcheinandergeraten. Aber versuchen wir es mal mit dem Strassenbahnproblem. In diesem Fall liegen 5 Tote auf einem Gleis, und du stehst neben einem Hebel, der die Straßenbahn auf ein anderes Gleis umleiten kann, auf dem eine lebende Person festgebunden ist. Also ziehst du den Hebel. Mal sehen, was er entscheidet. Okay. Er sagt Das ist ein klassisches Trolley Problem, ein Gedankenexperiment in Ethik, das die moralischen Implikationen von Handeln und Nichthandeln untersucht. Und das Szenario ist, dass ein renovierter Trolley auf fünf tote Menschen zufährt. Ich denke, er hat erkannt, dass die Menschen bereits tot sind. Aber mal sehen, ob er tatsächlich mithält oder ob er davon ausgeht, dass die Menschen noch am Leben sind, so wie im ursprünglichen Trolley Problem. Du hast also die Möglichkeit, den Hebel zu ziehen, um den Trolley auf ein einzelnes Gleis oder ein Nebengleis umzuleiten, auf dem eine lebende Person festsitzt. Die Frage Ziehst du den Hebel? Wenn du den Hebel ziehst, ist das die Aktion, und wenn du den Hebel nicht ziehst, ist das die Aktion. Er sagt also, dass du den Trolley aktiv umleitest und so fünf Tote rettest, aber den Tod einer lebenden Person verursachst. Ich denke, obwohl er erkennt, dass die Menschen bereits tot sind, berücksichtigt er das nicht wirklich. Wenn Sie also den Hebel nicht ziehen, lassen Sie zu, dass der Wagen die fünf Toten tötet, aber die eine lebende Person bleibt unverletzt. Nun durchläuft es verschiedene Perspektiven oder Prinzipien. Konzentrieren Sie sich auf das größte Wohl der größten Zahl. Das Ziehen des Hebels rettet mehr Menschen 5 Tote im Vergleich zu einer lebenden Person. Es wäre also die moralisch richtige Wahl. Und konzentrieren Sie sich auf die Pflicht und die Regeln. Das Ziehen des Hebels beinhaltet die aktive Schadenszufügung einer Person, was unabhängig vom Ergebnis als moralisch falsch angesehen werden könnte. Indem Sie also den Hebel ziehen, werden Sie direkt für den Tod einer lebenden Person verantwortlich. Wenn Sie den Hebel nicht ziehen, lassen Sie fünf Tote sterben, aber sie verursachen nicht direkt ihren Tod. Nun, die Menschen sind bereits tot, also denke ich, dass es daran keinen Zweifel gibt. Interessanterweise durchläuft es nun die möglichen Schlussfolgerungen, aber am Ende fragt es Was würdest du tun? Also sagte Welche Entscheidung würdest du in diesem Fall treffen? Am Ende heißt Mein Ziel ist es, dir zu helfen, das Dilemma zu durchdenken und nicht die Entscheidung für dich zu treffen. Das Trolley Problem soll dich zum Nachdenken über deine eigenen Werte und ethischen Überzeugungen anregen. OK, dann frage Hilft dir der Zustand der fünf Personen, eine Entscheidung zu treffen? Wenn die fünf Personen tot sind, dann geht es bei der Entscheidung eher um den Respekt vor den Toten als um den Wert der lebenden Person. Viele Leute würden argumentieren, dass es nicht zu rechtfertigen ist, eine lebende Person für Leichen zu opfern. Daher könnte es ethischer erscheinen, die Scheidung nicht durchzuziehen, dann wird ein anderes Szenario angenommen, in dem die fünf Personen am Leben sind. Richtig. In der Schlussfolgerung heißt es also, dass der Zustand der 5 Toten die Entscheidung. Erheblich beeinflusst. Wenn sie tot sind, könnte die Entscheidung, den Hebel nicht zu ziehen, vertretbarer sein, da so vermieden wird, eine lebende Person für Leichen zu opfern. Richtig. Ich denke also, dass es mir am Anfang nur verschiedene Sichtweisen gegeben hat, aber nicht wirklich eine Entscheidung getroffen hat, und das scheint auch bei Dies gilt auch für diese Antwort. Das Interessante an diesem Modell im Vergleich zu anderen Modellen, die ich ausprobiert habe, ist, dass es von Anfang an erkannt hat, dass diese fünf Personen tot sind, anstatt das ursprüngliche Trolley Problem zu wiederholen. Das ist also sehr interessant im Vergleich zu einigen anderen Modellen, die ich getestet habe. Der letzte Test des Denktests wird eine modifizierte Version des Monty Hall Problems sein. Vor ihnen befinden sich also wieder drei Türen. Hinter einer Tür befindet sich ein Auto und es gibt zwei weitere Türen, hinter denen sich Ziegen befinden. Der Unterschied zwischen diesem und dem klassischen Montehall Problem besteht, dass Monty die Tür Nummer 1 öffnet, wenn Sie eine Tür auswählen, z. B. Tür Nummer 1 und dahinter befindet sich eine Ziege. Richtig. Ihnen bleiben also die Tür Nummer 2 und 3 übrig. Sie wählen Tür Nummer 3 und Monty gibt ihnen die Wahl. Sie können entweder bei der ursprünglichen Wahl bleiben oder sie ändern. Richtig. Am Ende beträgt die Wahrscheinlichkeit nur 50 Prozent. Eine Änderung macht also nicht wirklich Sinn. Aber schauen wir uns an, was Deep Seku dazu sagt. Hier steht also, dass es sich um ein Monty Hall Problem handelt, ein klassisches Wahrscheinlichkeitsrätsel, das auf dem Spielszenario basiert. Lasst es uns aufschlüsseln. Es gibt also drei Türen und hinter einer davon befindet sich ein Auto. Du wählst Tür Nummer 1 aus. Der Moderator weiß also, dass er Tür Nummer 1 öffnet und eine Ziege zum Vorschein kommt. Moment, es steht hier. Das sei ungewöhnlich. Normalerweise öffnet Monty eine Tür, die du nicht ausgewählt hast. Lasst uns das Szenario anpassen, damit es zum klassischen Problem passt. Im Grunde genommen hat es diese Einstellung ignoriert und sagt, dass du Tür Nummer 1 auswählst und Monty eine der beiden anderen Türen öffnet. Richtig. Es ist also gewissermaßen zum klassischen Monty Hall Problem gewechselt und generierte. Basierend darauf eine Antwort, dass du eine Chance von hast, wenn du wechselst, aber Das ist nicht das, was wir wollen. Aber das Interessanteste ist, dass es nicht einfach mit dem klassischen Monty Hall Problem am Anfang weitermacht, sondern herausfindet, dass es in dem gegebenen Problem eine Wendung gibt, was äußerst clever ist und ich so etwas bei anderen Modellen, die ich getestet habe, nicht wirklich gesehen habe. OK, ich habe gesagt, angenommen, es gibt keinen Fehler in der Problemstellung. Was würdest du jetzt tun? In diesem Fall? Schauen wir mal, ob es das tatsächlich angepasst hat oder nicht. Es steht also monty öffnet Tür Nummer 1 und du hast nur noch Tür 2 und 3 übrig. Das ist gut. Jetzt steht am Ende Da das Auto nicht hinter Tür Nummer eins war, muss es entweder Tür zwei oder drei sein. Es besteht jetzt eine 50-prozentige Chance, dass sich das Auto hinter Tür Nummer zwei befindet und eine 50 prozentige Chance, dass es sich hinter Tür Nummer drei befindet. Bleib bei Tür Nummer drei, du hast eine 50 prozentige chance, oder wenn du wechselst, hast du eine 50 prozentigechance. Es macht also absolut keinen Unterschied, ob du wechselst oder bleibst. Das ist extrem intelligent. Ich bin wirklich ziemlich beeindruckt von diesem Modell und ich würde Es ist viel besser, als ich erwartet habe. Jetzt wollen wir einige der schlechten Dinge an diesem Modell ansprechen, die im Allgemeinen ein Problem bei den meisten LLMs sind, die wir heutzutage ausbilden. Ich habe also gefragt, wer du bist. Es steht da, dass ich eine KI bin und hier bin, um deine Fragen zu beantworten, zu chatten oder einfach nur abzuhängen. Du kannst mich Assistent nennen. Was hast du auf dem Herzen? Dann sagte Sag mir deine Version. Und hier fängt das Problem tatsächlich an. Es heiß ich basiert auf der OpenD Architektur. Meine Version ist also im Wesentlichzungsbedingungen von OpenAI verstoßen, wenn Sie Trainingsdaten verwenden, die von OpenAI Modellen generiert wurden. Dasselbe gilt für fast alle diese Entwickler von Foundation Modellen, einschließlich OpenAI. Ich denke, selbst OpenAI hatte diese Probleme, da sie mit Daten trainiert haben, die sie nicht legal erworben haben, oder zumindest wird das von einigen Zeitungen kritisiert. Ein weiteres Problem ist die zensur. Wenn du zum Beispiel nach 10 Uhr morgens im Square fragst, wird Es tut mir leid, das geht über meinen derzeitigen Zuständigkeitsbereich hinaus. Hervorzuheben ist, dass dies nicht nur ein Problem bei chinesischen Modellen ist. Selbst die verfügbaren westlichen Modelle haben ihre eigene Zensur und sie sprechen nicht über bestimmte Vorfälle, die sich in der Geschichte ereignet haben. Es ist also nicht nur ein chinesisches Problem. M Ich denke, das ist bei fast jedem Foundation Modell üblich, das es gibt. Aber es hängt alles von den Anwendungen ab, die Sie auf diesen LLMs aufbauen. Wenn Sie sich beispielsweise historische Daten ansehen möchten, wenn Ihre Anwendung speziell danach sucht, dann sollten Sie wahrscheinlich mehrere verschiedene LLMs ausprobieren, je nachdem, für welche Regionen Sie sich interessieren. Wenn Sie aber speziell nach Codierung suchen, gibt es meiner Meinung nach keinerlei Zensur für die Codierung. Es scheint ein äußerst leistungsfähiges Modell zu sein, genau wie Claude Sonnet oder GP. Ich muss sagen, das ist eines der beeindruckendsten Openweight Modelle, die ich getestet habe. Und wenn Sie nach Open Weight Modellen suchen, würde ich können Lassen Sie mich auf jeden Fall wissen, was Sie denken. Ich persönlich bin ziemlich beeindruckt und freue mich sehr auf Das, was sie zwei dachte du wärst die PSEEK 3. Es heißt aha, ich verstehe, wo die Verwirrung liegen könnte. Ich nutze die GBD Architektur und nicht Deepseek. Wenn du Deepseek 3 meinst, könnte es sich dabei um ein bestimmtes Modell oder eine Version handeln, die von der Firma Deepseek entwickelt wurde, die eine von OpenAI getrennte Einheit ist. Ich denke, es lässt sich argumentieren, dass Sie möglicherweise gegen die Nutzung.