Ein Tutorium, das einer durchschnittlichen Person beibringt, wie man DeepSeek-R1 richtig versteht und benutzt

DeepSeek-R1 Nichts Besonderes im Vergleich zu anderen großen Modellen, ist Ihre Überraschung zu sehen, den Denkprozess oder ausgezeichnete chinesische Ausdruck. Wenn Sie verwendet haben ChatGPT Wenn Sie sich geschmacklos fühlen, dann ist die Überraschung, die DeepSeek-R1 bringt, vielleicht eine Illusion. Wenn Sie jeden Tag mit Kindern und Lieferungen beschäftigt sind, brauchen Sie DeepSeek keine Aufmerksamkeit zu schenken, es ist reine Zeitverschwendung.

Kontexte

Wichtige Hintergrundinformationen über DeepSeek-R1, wenn Sie nicht klatschen, können Sie es überspringen.DeepSeek-R1 wurde aus einem bekannten quantitativen Investment-Unternehmen geboren - "Mirage Quantitative", der vollständige Name des Unternehmens ist "Hangzhou DeepSeek Artificial Intelligence Basic Technology Research Co.", Gründer Liang Wenfeng.

DeepSeek veröffentlichte das Inferenzmodell "DeepSeek-R1-Lite" am 20. November 2024，可以在用户界面开启“深度思考”使用。但是 DeepSeek-R1-Lite 使用一个较小的基座模型训练，得到的关注较少，而 DeepSeek-R1 使用了较大的基座模型“DeepSeek-V3-Base”训练而来，整体能力得到了很大提升。因此 DeepSeek-R1-Lite 就是 DeepSeek-R1 2个月前的预览版。这么着急公布给用户体验…

Am 20. Januar nahm Leung Man-fung an einer wichtigen "Sitzung" teil und gab am selben Tag die folgende Erklärung ab. DeepSeek-R1 Technischer Bericht，这种巧合好像哪吒爆火一样背后不知道有什么故事…

Der Grund für das frühe Feuerwerk von DeepSeek-R1 lag vor allem im technischen Bereich, denn er eröffnete technische Berichte darüber, wie man kostengünstige (5.576.000 $ GPU-Kosten, dieHier ist eine andere Sichtweise）复现”o1“的，并且他的并发能力很高，用更少的硬件资源既可运行超大规模的“推理模型”。简单点解释就是把大模型的价格打下来了，让人人都用得起更好的大模型。

二次出圈是各类新闻报道向网民轰炸，像哪吒爆火一样…

Drei Mal aus dem Kreis ist die Selbst-Medien mit der Welle der heißen "Geld", so sehen wir in einer Vielzahl von Gruppen: 360 Linie DeepSeek-R1, lehren Sie, lokal bereitstellen DeepSeek-R1, Tsinghua University, um Ihnen beizubringen, die DeepSeek-R1 verwenden

Wir sind jetzt in der Endphase: DeepSeek-R1 für alle, und wir sollten in staatlichen Unternehmen, zentralen Unternehmen und sogar auf den Straßen der Bezirke und Kreise davon erfahren haben.

Wo wird DeepSeek-R1 verwendet?

我询问过很多人，可能连DeepSeek-R1网址都找不到，有些人是因为官网卡，寻找其他提供 DeepSeek-R1 模型的服务，但你了解的可能都不对…

Offizielle Verwendungskanäle

Seine offizielle Website lautet: https://chat.deepseek.com/. Es gibt keine PC-Client-Version, die Handy-APP finden Sie in den großen Anwendungsshops, wo Sie nach "DeepSeek" suchen.

Andere Verwendungszwecke

Viele KI-Tools integrieren derzeit DeepSeek-R1, auch wenn ihre Ausgabequalität nicht die gleiche ist. Wir empfehlen nur ein Tool, das dem Original nahe kommt, um Schwierigkeiten bei der Auswahl zu vermeiden:

Tencent Yuanbao: https://yuanbao.tencent.com/ Wir bieten auch APP, bitte suchen Sie "Yuanbao" von der offiziellen Website und großen App-Shops zum Download.

Denken Sie daran, die folgenden Optionen anzukreuzen, wenn Sie die Webversion verwenden:

Installation von DeepSeek-R1 auf lokalen Computern und Mobiltelefonen

Erstens: Erfüllt die GPU Ihres Computers dieInstallation von DeepSeek-R1 Mindestanforderungen? Wenn Sie keine Ahnung von GPUs haben, sollten Sie eine lokale Installation nicht in Betracht ziehen.

PC-Installation DeepSeek-R1

Empfohlen Ollama Installation, seine URL ist: https://ollama.com/ , die relevanten Modelle, die installiert werden können, sind hier: https://ollama.com/search?q=deepseek-r1 , wenn Sie eine detaillierte Anleitung zur Installation benötigen, dann ist die lokale Installation und Verwendung nicht empfohlen.

Eine 3060-Grafikkarte, die gerade mal das Modell 14B (offizielle destillierte Version) ausführen kann, kann beispielsweise durch Kopieren des folgenden Befehls installiert werden:

Wenn Ihre Computerkonfiguration "hoch" ist und Sie lokal installieren möchten, empfehlen wir die folgenden lokalen Ein-Klick-Installationsprogramme

Die lokale Installation erfordert eine gewisse technische Basis, hier bieten wir DeepSeek-R1 plus Chat-Schnittstelle als lokales Ein-Klick-Installationspaket an:Vermeiden Sie die Fallstricke Leitfaden: Taobao DeepSeek R1 Installationspaket bezahlt upsell? Teach you local deployment for free (mit One-Click-Installer)

Wenn Sie eine "niedrige" Computerkonfiguration haben und lokal bereitstellen möchten, empfehlen wir die folgenden Cloud-Bereitstellungsoptionen

Privater Einsatz ohne lokale GPUs DeepSeek-R1 32B

Installation von DeepSeek-R1 auf Mobiltelefonen

Legen Sie den Schwerpunkt fest!Wenn Sie DeepSeek-R1 auf Ihrem Mobiltelefon installieren, möchten Sie dann die offizielle App herunterladen oder das DeepSeek-R1-Modell lokal auf Ihrem Mobiltelefon ausführen? Wenn Sie die App nur auf Ihrem Mobiltelefon verwenden und sie nicht lokal auf Ihrem Mobiltelefon ausführen möchten, können Sie sie herunterladen, indem Sie im App-Shop nach "DeepSeek" oder "Tencent Yuanbao" suchen, die beide online verfügbar sind. Das Folgende ist nur eine Methode, um das DeepSeek-R1-Modell lokal auf Ihrem Mobiltelefon auszuführen.

Nachteile der lokalen Installation von DeepSeek-R1 auf Ihrem Mobiltelefon:Das installierte Modell ist nur begrenzt in der Lage, einfache Texte intelligent zu verfassen, Informationen zusammenzustellen und zusammenzufassen.

Wenn Sie sich für die Installation entscheiden:Lokale Installation von DeepSeek-R1-Modellen auf Mobiltelefonen, für IOS und Android Premium-Modelle

Wozu DeepSeek-R1 gut ist

DeepSeek-R1 ist sehr gut und kann eine Menge Dinge tun, angefangen bei der Eliminierung, dem Verstehen Wofür DeepSeek-R1 nicht geeignet ist. Ich habe rund 5000 Fragen zu DeepSeek-R1 (Vollversion) generiert und einige Erfahrungen für Ihre Referenz gesammelt:

1. falsche Frage erzeugt Halluzination Antwort: R1Die Halluzinationen sind schlimmer als bei ChatGPT. Außerdem ist es für eine Durchschnittsperson naturgemäß schwierig, R1 Fragen zu stellen, die richtig "gestellt" werden, so dass die Antworten, die man erhält, oft halluzinatorisch sind.

2. ungeeignet für Forschungsaufgaben im Zusammenhang mit der ZeitachseDas Problem liegt an drei Stellen: (1) das durch das große Modell trainierte Wissen hinkt hinterher, (2) selbst im vernetzten Modus ist das "tiefe Denken" durch die Anzahl der abgerufenen Informationen begrenzt, da es sich um einen einmaligen Abruf der Netzwerkinformationen handelt und keine vollständigen Informationen über das Zeitlinienproblem sammeln kann, und (3) das Denken wird durch zu viel Kontext beeinträchtigt, siehe 3).

3. tiefes Denken wird leicht durch den Kontext abgelenktDas gleiche Problem ist, dass die Aktivierung der Websuche zu schlechteren Ergebnissen führt, weil sie viele Informationen aus dem Internet einbringt und den Denkprozess verwirrt. Dies ist ein ernstes Problem.

4.Wie eine klare Frageanweisung durch "tiefes Denken" beeinträchtigt werden kann.Denken: Das Denken ignoriert die "Oberste Direktive" zugunsten anderer Kontexte, was zu einer allmählichen Zerstreuung des Denkens und einer übermäßigen Wartezeit für das Denken führt.

Schauen wir uns an, wie eine sehr einfache Aufgabenanweisung mit sehr wenig Kontext durch "Denken" verfälscht werden kann, mit DeepSeek auf der linken und ChatGPT auf der rechten Seite.

(5) Wenn Sie nur nach Informationen suchen, können Google und Baidu bessere Ergebnisse liefern.Wenn Sie mehr Informationen aus den Suchergebnissen erhalten möchten, ist es effizienter, eine Suchmaschine zu verwenden. Vor allem, wenn die Menge der Informationen ist groß.R1 wird nicht helfen, eine große Anzahl von Web-Seiten von Informationen zu analysieren, weil seine Hilfe Sie für eine begrenzte Menge an Informationen zu suchen, kann eine begrenzte Menge an Informationen erinnern, vor allem die Fähigkeit, die Suchergebnisse der richtigen oder falschen noch begrenzter zu beurteilen, wird ein Bündel von Kopf eines Bündels von Suchergebnissen, um Ihnen zu helfen, Argumentation, und dann geben Sie die Antwort.

Komplexe Szenarien, wie z. B. ein Papier zu schreiben, "Daten" Informationsbeschaffung, Organisation, die Notwendigkeit für mehrere Runden der Informationsbeschaffung, mehrere Runden der Argumentation (manuelle Bedienung ist auch die gleiche Logik), R1 ist nur eine Runde der Informationsbeschaffung und Argumentation, kann nicht lösen die komplexen systematischen Probleme auf einmal. Wenn Sie dies wissen, können Sie versuchen, die relevanten Informationen manuell zu sammeln, sie zusammenzufassen und sie dann zur Analyse an R1 weiterzuleiten.

DeepSeek-R1 richtig verwenden

Achtung!Auch wenn Sie das DeepSeek-R1-Modell nicht verwenden, können Sie bei der Verwendung anderer Modelle der Frage den Satz "Let's think step by step" voranstellen, und die anderen Modelle werden Ihnen trotzdem einen detaillierten Denkprozess liefern. Allerdings sind der Detaillierungsgrad der Überlegungen und die endgültige Antwort möglicherweise nicht so gut wie bei DeepSeek-R1.

Tatsächlich unterscheiden sich die Techniken zur Verwendung von DeepSeek-R1 nicht wesentlich von anderen Modellen, es sind nur einige Details zu beachten.

Wenn Sie mit der Komplexität der Frage oder der Antwort, die Sie nach Einschalten der Suche erhalten, nicht zufrieden sind, versuchen Sie, das "Deep Thinking" auszuschalten. Nachdem ich es ausgeschaltet hatte, habe ich das V3-Modell verwendet, das immer noch sehr gut ist.

2. verwenden Sie einfache Anweisungen und Deep Think wird Ihnen beim Denken helfen!

Richtig:Übersetzen Sie für mich.

Fehler:Helfen Sie mir bei der Übersetzung ins Chinesische, verwenden Sie Wörter, die den Gewohnheiten der chinesischen Benutzer entsprechen, wichtige Begriffe müssen in der Originalsprache beibehalten werden, die Übersetzung sollte auf das Layout achten.

Weitere Fehlerbeispiele:

1. ich habe hier einen sehr wichtigen Marktforschungsbericht mit viel Inhalt und vielen Informationen. Ich hoffe, Sie lesen ihn aufmerksam und nachdenklich, denken gründlich darüber nach und analysieren ihn dann. Was sind die wichtigsten Markttrends in diesem Bericht? Nennen Sie am besten die drei wichtigsten Trends und erklären Sie, warum Sie diese für die wichtigsten halten.

2. hier sind einige Beispiele für Krankheitsdiagnosen: [Beispiel 1], [Beispiel 2] Bitte diagnostizieren Sie nun die Krankheit, an der der Patient möglicherweise leidet, anhand der folgenden Informationen aus der Krankenakte. [Fügen Sie die Informationen aus der Krankengeschichte ein].

3. komplexe Befehle verwenden, um "tiefes Denken" zu aktivieren (es wird nicht empfohlen, komplexe Befehle ohne einige Erfahrung zu konstruieren, da komplexe Befehle und zu viel Kontext das R1-Modell verwirren können).

Richtig:Helfen Sie mir bei der Übersetzung ins Chinesische, verwenden Sie Wörter, die den Gewohnheiten der chinesischen Benutzer entsprechen, wichtige Begriffe müssen in der Originalsprache beibehalten werden, die Übersetzung sollte auf das Layout achten.

Fehler:Übersetzen Sie für mich.

Hinweis: Um die Konflikte, die sich aus 2 und 3 ergeben, auf dialektische Weise zu betrachten, sollten Sie zunächst einfache Befehle ausprobieren, und wenn die Antwort eine bestimmte Anforderung nicht erfüllt, die Befehlsbedingungen entsprechend erhöhen.

Testen Sie sich selbst mit dem folgenden Text

**# How does better chunking lead to high-quality responses?
**If you’re reading this, I can assume you know what chunking and RAG are. Nonetheless, here is what it is, in short.**
**LLMs are trained on massive public datasets. Yet, they aren’t updated afterward. Therefore, LLMs don’t know anything after the pretraining cutoff date. Also, your use of LLM can be about your organization’s private data, which the LLM had no way of knowing.**
**Therefore, a beautiful solution called RAG has emerged. RAG asks the LLM to ** answer questions based on the context provided in the prompt itself** . We even ask it not to answer even if the LLM knows the answer, but the provided context is insufficient.**
**How do we get the context? You can query your database and the Internet, skim several pages of a PDF report, or do anything else.**
**But there are two problems in RAGs.**
* **LLM’s **context windows sizes** are limited (Not anymore — I’ll get to this soon!)**
* **A large context window has a high ** signal-to-noise ratio** .**
**First, early LLMs had limited window sizes. GPT 2, for instance, had only a 1024 token context window. GPT 3 came up with a 2048 token window. These are merely the **size of a typical blog post** .**
**Due to these limitations, the LLM prompt cannot include an organization’s entire knowledge base. Engineers were forced to reduce the size of their input to the LLM to get a good response.**
**However, various models with a context window of 128k tokens showed up. This is usually **the size of an annual report** for many listed companies. It is good enough to upload a document to a chatbot and ask questions.**
**But, it didn’t always perform as expected. That’s because of the noise in the context. A large document easily contains many unrelated information and the necessary pieces. This unrelated information drives the LLM to lose its objective or hallucinate.**
**This is why we chunk the documents. Instead of sending a large document to the LLM, we break it into smaller pieces and only send the most relevant pieces.**
**However, this is easier said than done.**
**There are a million possible ways to break a document into chunks. For instance, you may break the document paragraph by paragraph, and I may do it sentence by sentence. Both are valid methods, but one may work better than the other in specific circumstances.**
**However, we won’t discuss sentence and paragraph breaks, as they are trivial and have little use in chunking. Instead, we will discuss slightly more complex ones that break documents for RAGs.**
**In the rest of the post, I’ll discuss a few chunking strategies I’ve learned and applied.********

4. cue word frames bleiben nachwirkend

Um sich die Gewohnheit anzueignen, gute Stichworte einzugeben, sind nur die folgenden vier Bedingungen erforderlich: [Figur] [vom größeren Modell auszuführende Aktion] [Missionsziel] [Missionskontext] (der Missionskontext ist nicht erforderlich)

Beispiel:Die Rolle eines Experten für offizielle Schreiben.Helfen Sie mir, einen Bericht über meine Rede auf der "Employee of the Year Conference" zu schreiben. Die Rede sollte etwa 5 Minuten dauern und aufrichtig und bescheiden sein.Mein Unternehmen heißt PetroChina, mein Vorgesetzter heißt Li Fugui, ich arbeite in der Ölexploration, und ich habe den Preis gewonnen, weil ich von den Mitarbeitern auf den zweiten Platz gewählt wurde.

5. lernen Sie, sich von den großen Modellen helfen zu lassen, Fragen zu stellen; gute Fragen führen zu guten Antworten

Wenn Sie noch einmal auf Punkt "4" zurückblicken, die Beispiele für Aufforderungen, sehen Sie da irgendwelche Probleme?

Die Beschreibungen sind nicht detailliert genug, um einen Bericht zu schreiben, der nicht direkt verwendet werden kann, und die Schwierigkeit, die die meisten Menschen mit großen Modellen haben, besteht darin, dass sie keine Fragen stellen können oder sich nicht die Mühe machen wollen, ihrem Gehirn Fragen hinzuzufügen.

Das Problem ist eigentlich ganz einfach: Bevor Sie eine perfekte Frage konstruieren, sollten Sie lernen, das große Modell zu fragen, damit Sie Ihre Fragen verfeinern können.

6. Fragen zu stellen, die gelenkt werden sollen, oder den Denkprozess von R1 zu lenken, ist eine sehr alte Methode, die nicht nur für R1 gilt.

Die folgenden Methoden müssen normalerweise nicht in einem Inferenzmodell wie R1 verwendet werden, aber sie sind problemspezifisch, und wenn Ihr Problem sehr gerichtet ist, können Sie einige derBeschreiben Sie logisch einfache, kurze Zusammenhänge.

7. die Disambiguierung von Fragen

Es ist wichtig, mögliche Unklarheiten in Fragen, die auf Erfahrung beruhen, aktiv auszuschließen, da die großen Denkmodelle bereit sind, Ihnen zu helfen, Fragen zu "vermuten", wie das oben erwähnte falsche Beispiel, bei dem die falsche Frage zur falschen Vermutung und zur falschen Antwort führt.

8 Wählen Sie zwischen Eingabelänge und Argumentationstiefe.

Zu lange Eingaben hemmen das Denken und zerstreuen Denkprobleme, während kurze Eingaben das Denken stärken und die Konzentration aufrechterhalten, was sich gegenseitig ausschließt.

9. das Format der Ausgabeinhalte steuern

Siehe "4", das Rahmenwerk für Stichwortwörter. Der letzte Abschnitt könnte [Ausgabeformat] hinzufügen, um das Format des Ausgabeinhalts des großen Modells einzuschränken.

Es gibt zwei Arten von Kontrollinhaltsformaten:

1. satz

Beispiel 1: Ausgabe mit Markdown-Formatierung und Layout des Inhalts

Beispiel 2: Der ausgegebene Artikel darf zur Verwendung in Word eingefügt werden

2.Vorlage

Beispiel 1: Erstellen eines Artikels, der in drei Teile gegliedert ist: Einleitung, Erklärung und Zusammenfassung

Beispiel 2:Aufforderung: Zusammenfassungen von Gruppenchats, Sitzungsnotizen, solche Mehrrundengespräche

Erweiterte Lektüre zu DeepSeek-R1

DeepSeek-R1 WebGPU: Führen Sie DeepSeek R1 1.5B lokal in Ihrem Browser aus!

Tifa-DeepsexV2-7b-MGRPO: ein Modell, das Rollenspiele und komplexe Dialoge unterstützt, mit einer Leistung jenseits von 32b (mit Ein-Klick-Installer)

Implementierung einer lokalen/API-Wissensbasis auf der Grundlage von DeepSeek-R1 und Zugriff auf das WeChat BOT

DeepSeek Official Pick: Ein Leitfaden für praktische KI-Tools mit DeepSeek R1 Integration

DeepSeek R1 Jailbreak: ein Versuch, die Zensur von DeepSeek zu durchbrechen

Trainieren Sie Ihr eigenes DeepSeek R1-Inferenzmodell mit Unsloth