总觉得这个横空出世的deepseek有点猫腻 像LDPC大所说 感觉好像真的用了openai 的ChatGpt的数据来创造训练资料 但openAI很难 证明自己的东西被偷了 我去看了一下deepseek的python api怎麽用 很有趣 结果deepseek用的是 openai的library https://api-docs.deepseek.com/ ``` # Please install OpenAI SDK first: `pip3 install openai` from openai import OpenAI client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.c om") response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": "You are a helpful assistant"}, {"role": "user", "content": "Hello"}, ], stream=False ) print(response.choices[0].message.content) ``` 难道OpenAI里面出了个中国间谍? ※ 引述《LDPC (Channel Coding)》之铭言： : 目前就在旁边吃瓜观望@@ 成本这种本就是用开源後的可以拿已有的模型去当辅助下降 成? : 最常见作法就是拿gpt-4o当judge或者当数据产生器 去精炼数据集 如果再没有gpt-4o : 情况下 很多高质量资料去产生就花很钱 最经点例子就是LLaVa 一个博士班学生 用gpt -4 : 去产生高质量多模态数158k 极小量数据集 用8xA100 1天时间 就干爆之前所有 : 多模态大模型 能打赢saleforce的一间大公司堆出来的多模态BLIP-2模型 : 这家伙精髓站就是在gpt-4模型巨人的肩膀上 : 资料的quality会影响大模型 而资料可以透过开源高质量模型去萃取 : 如果再套用COT 这些都可以继续进化 paper有些细节像是数据集这类如何精炼 : 反而可能会是一个重要一环 但大家都会藏这类细节 @@/ : 2025现在大家都杀到LLM Agent去了 LLM刷模型任务分数热潮有点下降 : 大部分都跑去搞LLM决策部分 和COT (思考链) 多步骤分析任务 : 像是waymo自驾端对端的决策都搞了一个EMMA 用Gemini 去往上盖 : (这时候自驾公司有自己的很强的LLM就很有用了 随手不负责预测亚麻zoox会拿自家 : LLM或anthropic来搞end-2-end多模态) : 然後LLM Agent如果要放在机器人和自驾 : 一定得on-device 因为云端延迟太慢 风险高 所以1B~4B这阵子的on-device模型 : 能力也在不断突破 所以on-device LLM不太会在是AI-PC 除非是属於私密资料等应用场 景 : 而edge/on-devcie AI 可能突破点会在机器人 : 自驾的趋势之後会跟LLM走上同阵线 在某个时间点 等闭源LLM开始时 就是差不多AI模 型 : 的尽头开始产业化 也许端对端LLM决策 可以强化视觉上标签数据不足 (不确定这点 : 但直觉上认为 思考练LLM Agent可以降低场景车用数据量..QQ 基於模型泛化能力) : 这会给其他车厂追上特斯拉的机会 特斯拉自身的LLM可来自grok 而3D基础模型 : foundation model 像是李飞飞的空间模型 有一定机会能帮助自驾 可以直接融合LLM : 产生端对端多模态 而李飞飞又跟狗家走很近 所以想单赌个股 可以赌赌看狗家 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 67.150.123.92 (美国) ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Stock/M.1737951957.A.14E.html 你才是大大 改好了 ：） ※ 编辑: lucien0410 (67.150.123.92 美国), 01/27/2025 12:30:35