أستخدم Deepseek بدلاً من ChatGpt لهذه المهام الأربعة
chatgpt هو الذهاب إلى معظم الأشياء ، ولكن في بعض الأحيان ، لا يقطعها. تثبت Deepseek أنها نموذج قوي يمكنه التنافس مباشرة مع ChatGpt – وحتى تفوقه في العديد من المهام الرئيسية.
4
حل المشكلات الرياضية
تعد AI chatbots مثل Deepseek و ChatGPT منصات شهيرة حيث يذهب الناس للحصول على المساعدة وحل مشاكل الرياضيات. تستخدم Deepseek نموذج R1 الخاص به لمهام التفكير ، بينما يوفر ChatGPT أحدث O3-MINI من Openai (منخفضة/متوسطة) لمستخدميها المجاني من الدرجة الأولى و O3-MINI (عالية) لطبقة زائدة بحد أقصى 50 مطالبة يوميًا.
بعد اختبار العشرات من مشاكل القبول في إدارة الدراسات العليا) على كل من Deepseek و ChatGPT (كمستخدم مجاني) ، قدم كلاهما إجابات صحيحة لجميع المشكلات.
على الرغم من أن هذا الاختبار لم يكن على نطاق واسع ، إلا أنني أقول أن كلا النموذجين من المحتمل أن يكونا جيدًا بما يكفي لحل مشاكل الرياضيات الشائعة ، وربما تكون مضغوطًا بشدة للعثور على واحدة لم يتمكن كلا النموذجين من الإجابة عليها.
ومع ذلك ، ما زلت أفضل استخدام Deepseek على ChatGpt حيث سجل أعلى في كليهما AIME MATH 2024 ومعايير Codeforces. تقدم سلسلة Deepseek الفكر أيضًا المزيد من الأفكار حول كيفية حل المشكلات ، مما يسمح لي بفهم وتثقيف نفسي بشكل أفضل حول كيفية معالجة المشكلات المماثلة في المستقبل.
إذا كنت من مستخدمي ChatGpt Plus ، فقد لا يزال Deepseek هو الخيار الأفضل لأنه لن يستخدم بدل موجه O3-Mini (عالي) ، فهو يوفر سلسلة أفضل من الأهمية ، وربما لا يزال يحل مشاكلك الرياضية ما لم يكن نظريًا.
3
توليد الكود وتصحيح الأخطاء
الترميز وتصحيح الأخطاء هي التطبيقات الشائعة الأخرى حيث يتم استخدام Deepseek و ChatGPT. كما ذكرنا سابقًا ، فإن نموذج R1 من Deepseek أعلى من طراز O3-Mini (منخفض/متوسط) من Openai في معيار Codeforces ، والذي يعد بالفعل سببًا جيدًا لاستخدام Deepseek على ChatGPT.
لمعرفة كيف يترجم ذلك إلى الاستخدام الفعلي ، دفعت كلا chatbots إلى كتابة لعبة ثعبان مع HTML5 و CSS و JavaScript. بعد بضعة مطالبات أخرى للتعامل مع الأخطاء ، حصلت في النهاية على كلا chatbots لإنتاج لعبة ثعبان تعمل.
ما لاحظته هو أن Deepseek يتطلب أقل قليلاً من المطالبة بإصلاح المشكلات. لكن هذا لم يثبت حقًا أنني حصلت على لعبة Snake الخاصة بـ ChatGpt للعمل بلا عيب بعد مطالبين آخرين. ومع ذلك ، فإن ما أحدث فرقًا هو أن لعبة الأفعى الخاصة بـ Deepseeks كانت أكثر تلميعًا وكان لها ميزات أكثر من تلك التي جاءت من ChatGpt.
لذلك ، على الرغم من أن كلا النموذجين من الذكاء الاصطناعى سجلوا بشكل جميل حتى في المعايير ، يبدو أن R1 Deepseek يوفر المزيد من التمسك اليدوي من حيث ما يعتقد أن المستخدم قد يرغب في أن يكون الرمز.
قد يرغب البعض في ChatGPT لهذا السبب ، لكنني أزعم أن معظم الأشخاص الذين يولدون رمزًا مع chatbots هم من المحتمل أن يكونوا الطلاب والمهندسين المبتدئين الذين يبحثون عن المساعدة. وبالتالي ، فإن توفير ميزات إضافية يمكنك العثور عليها عادة في قطع رمز مماثلة سيكون ميزة وسبب جيد لمواصلة استخدام DeepSeek.
2
تحليل البيانات
تأتي قوة Deepseek في تحليل البيانات من استخدامها لمزيج من بنية نموذج الخبراء (MOE). يمكّن هذا التصميم النموذج من تخصيص مجموعات فرعية محددة من المعلمات (“الخبراء”) من المهام المختلفة ، وتحسين الموارد الحسابية وتعزيز كفاءة المعالجة. يتيح هذا الهيكل DeepSeek التعامل بشكل فعال على كل من البيانات المنظمة وغير المنظمة.
في هذا المثال ، أعطيت كل من Deepseek و ChatGpt ملف بذرة أستخدمه لملء قاعدة بيانات لاختبار الخلفية. بعد ذلك ، دفعت كلا chatbots إلى تحليل الاتجاهات المحتملة بناءً على الملف الذي قدمته. تمكنت Deepseek من تزويدني برؤى قيمة مثل توزيع الأسعار ، ومستوى المخزون ، والذروة والنشاط الحديث ، وشعبية التجميع ، وما إلى ذلك.
في المقابل ، بدا أن Chatgpt أكثر قلقًا بشأن جودة المعلومات في الملف. ثم يتابع تقديم المشورة حول كيفية إجراء تحليل البيانات بدلاً من القيام بالتنفيذ بالفعل. حتى أنني حاولت عدة مرات أن دفعها إلى رؤية الاتجاهات في توزيع الأسعار ، ومستوى المخزون ، ونشاط الذروة ، والنشاط الحديث (الاتجاهات التي تم العثور عليها بالفعل) ، ولكن تم إعطاؤها باستمرار التعليمات بدلاً من ذلك.
هذا هو المكان الذي يضيء فيه أداة AI المناسبة للوظيفة. على الرغم من أن نماذج O3-Mini المجانية من ChatGPT قد تكون أفضل في العمل المحادثة والإبداعية ، إلا أن نموذج R1 من Deepseek كان متخصصًا لمزيد من أعباء العمل التحليلية.
1
معالجة البيانات المنظمة
تميز كفاءة Deepseek في التعامل مع البيانات المهيكلة عن نماذج الذكاء الاصطناعى العامة مثل ChatGPT. تتطلب البيانات المنظمة ، مثل ملفات JSON و XML وإدخالات قاعدة البيانات ، تحليلًا دقيقًا وتفسيرًا.
على الرغم من أنها سجلت أقل في معايير GPQA (Q&A المقاومة للخريجة) ، فإنها لا تهم حقًا قدرة Deepseek على القيام بالمنطق والتفكير ، خاصة عند العمل مع البيانات المنظمة.
في هذا الاختبار ، أعطيت كلا من chatbots قاعدة بيانات خاطئة للتشكيل لهم للمعالجة والتنظيم بشكل صحيح.
زودني Deepseek بنتائج مجدولة كانت بالضبط ما كان من المفترض أن تبدو عليه قاعدة البيانات ، في حين بدا أن Chatgpt يكافح وأعطاني فقط قسم الفئة من قاعدة البيانات ونسي كل شيء آخر.
على الرغم من أنني واثق من أنه مع وجود المزيد من المطالبات الأخرى ، إلا أنني يمكن أن أجعل chatgpt في النهاية على تنسيق وتنظيم قاعدة بيانات صغيرة ، إلا أن هذا الاختبار يوضح أن Deepseek فهم المهمة في المحاولة الأولى ، مما يوفر لي الوقت والجهد في محاولة معالجة البيانات المنظمة. بشكل عام ، فإن سلسلة أفكار Deepseek العميقة والهندسة المعمارية Moe تجعلها تبرز من جميع بدائل ChatGPT المتاحة.
تقع نقاط قوة Deepseek في تفكيرها وقدرتها على التعامل مع المهام المعقدة بدقة عالية. على الرغم من أنه قد لا يكون الأفضل للعمل الإبداعي والمحادثات العامة ، فإن قدراتها الرياضية المتقدمة ، ومساعدة الترميز المتفوقة ، وتحليل البيانات الفعالة ، ومعالجة البيانات المنظمة تجعلها أداة الانتقال إلى هذه المهام المتخصصة.
