昨晚,国产大模型平台DeepSeek发布了,全新推理模型DeepSeek-R1-Lite预览版。
这个模型的最大特色便是深度思维链推理,尤其是在数学、代码以及各种复杂推理任务上,可以生成数万字的推理流程,让用户深度了解模型生成内容的全过程。
例如,连GPT-4o等模型都搞错的9.11比9.9更大的“难题”,R1通过超长思维链推理可以轻松搞定。

值得一提的是, R1在美国数学邀请赛AIME 2024、MATH和Codeforces的测试数据分别是52.5、91.6、1450击败了OpenAI的o1预览版,并且开源模型和API也将很快发布。

R1发布后得到了大量国外网友的赞扬。有网友表示,DeepSeek发布了R1,OpenAI将迎来劲敌,迫使他们尽快发布o1满血版。

了不起的工作!能超越 o1-preview 是一个巨大的成就!

这太不可思议了!如果你只是用这个推理模型来处理推理任务,并为其他事情使用传统的语言模型,那么一天 50 条消息对于普通人来说确实已经足够了。干得好,来自巴西的祝贺!

我刚刚用高度复杂的研究问题测试了 @deepseek_ai 发布的深度思考模型。它的思考和推理过程让我大为震撼!在我看来,这达到了高级博士水平,而且在某些情况下,它的推理远胜于 o1-preview!我感到敬畏。

非常好!期待你们的API。

天啊,中国做到了!DeepSeek 刚刚发布了DeepSeek-R1-Lite-Preview,他们的推理模型,表现和 o1-preview* 一样好,甚至更好。
我用一些只有 o1-preview能回答的问题测试了它,它完美解决了。并且即将开源,如果真的发生,这将对整个AI行业产生巨大冲击。

能够看到 DeepSeek 的思维推理过程真的太好了。

我试用了这个模型,在某些任务的编码方面,似乎仍然不如 o1-preview。但我觉得它的数学能力更强。整体表现差不多,我真的希望OpenAI 现在发布 o1-full版本。

实时透明的思维过程非常重要!我们可以看到它的思考过程,这真是令人惊叹。

能有另一个大脑一起工作总是很棒的。干得好!

非常棒!

我非常震惊。可见的思维链对于开放式 AI 研究来说是一个重大突破。祝贺你们!

太疯狂了,什么时候开放API?

也有网友放上了R1的测试视频:由 @deepseek_ai 开源的 R1 模型轻松地‘思考’了 100 多秒,并生成了超过 7500 个连贯的tokens!

是时候认真对待开源模型了。DeepSeek 刚刚通过它的新模型 R1-lite 改变了游戏规则。通过像 o1 一样扩展测试时的计算,并且‘思考’时间更长(我试的时候大约 5 分钟),它在 MATH 基准测试中达到了 91.6% 的最先进水平!感觉都去试试吧!

目前,DeepSeek还没有开放R1的论文,但可以免费在线使用了,每天提供50次深度思维推理。就像上面网友说的,只要不是专门搞科研、编程开发,这足够用了。
「AIGC开放社区」体验了一下确实推理流程很强且透明化。我们就问一个非常经典,让无数大模型头疼的问题吧——9.11和9.9到底哪个大。
先试了一下GPT-4o mini,依然给出了9.11比9.9更大的错误答案,问多少次都这样。

在试试R1,在没开启超强思维链的情况下,就已经回答正确了9.9更大。

开启深度思考试一下,R1会把所有的思考和不断反思流程展现出来,非常长,最终结果还是9.9。



目前,R1每天免费提供50次深度思维链推理,有兴趣的小伙伴可以试试。
免费体验:https://chat.deepseek.com/a/chat/
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。