Zusammenfassung Der Fortschritt bei großen Sprachmodellen (LLMs) hat das bestehende Verständnis für numerische, logische und quantitative Überlegungen in allen Bereichen erhöht. Die aktuelle Studie ist ein Versuch, eine umfassende Analyse von OpenAI’s O1 und DeepSeek’s R1 durchzuführen, durch eine eingehende Bewertung der Überlegungsfähigkeiten, der rechnerischen Effizienz und der ethischen Überlegungen im akademischen Umfeld. Die Forschung verwendete Benchmarkbewertungen (MMLU, MATH, AIME und HumanEval) zur Testung der Leistung. Das Ergebnis zeigt, dass OpenAI’s O1, mit seinem dichten Transformator und dem Chain-of-Thought (CoT) Rahmenwerk, besser geeignet ist für menschliches Unrecht und MBPP. DeepSeek’s R1, das Mixture-of-Experts (MoE) Eingaben verwendet, war bei MATH- und AIME-Anwendungen für STEM effizienter. Die Studie zeigte ferner, dass das proprietäre Modell von OpenAI Bias durch verstärktes Lernen reduziert, während der DeepSeek-Rahmen Inhaltsbeschränkungen gemäß den Richtlinien regionaler Vorschriften verwendet. Die Erkenntnisse aus dieser Studie können allgemeine Entscheidungsfindungen bei der Nutzung von KI-Modellen im akademischen Umfeld leiten, während ein Gleichgewicht mit aufgabenbezogener Leistung gewahrt bleibt.
Chakraborty et al. (Thu,) untersuchten diese Frage.