黄龙翔 吕赐杰：当DeepSeek遇上ChatGPT

1月26日，深度探索(DeepSeek)在大众视野里初次“探头”，竟成“深度惊奇”！这家中国AI新秀宣称以10%的成本训练出能匹敌与现有大语言模型的新模型，选在乙巳大年前的周末推出，有战略玄机――春节长假，闲下来的中文用户“心痒难搔”安装App尝鲜，并通过社媒迅速传播而引爆话题。“蛇形”还不够，再出“刁手”――小年夜，深度探索发布文生图模型Janus-Pro7B，誓要把这个时间窗口“用到尽”？

　　不仅大中华圈，全世界使用其他大模型的网民也跃跃欲试，，一探中方宣称的“DeepSeek V3和R1模型可匹敌ChatGPT 4o和o1模型”（下文分别简称为DS-V3, DS-R1, CG-4o, CG-o1）是否所言不虚。社交网络涌现大量测试帖，但有人甚至分不清 V3 和 R1，更别说知道如何切换；就算有跨平台对比，也多是随机提问后直觉下结论，测试方式五花八门，结论也大相径庭。

　　深度探索官网列出 DS-V3 与 CG-4o 及其他主流模型的推理效率基准测试成绩，显示 DS-V3 表现稳健，甚至部分指标略胜。但这些“考试成绩”只反映模型在选择题或限制性问答上的平均表现，模型可针对性优化，如同“应试教育”。可现实中的 AI 任务远不止答题那么简单——真正考验的是知识广度、灵活检索和深度考据。考场高分不代表江湖无敌，AI 的真功夫，得在“荒野求生”（不可预测的实际任务提示）中见真章。

　　我们在大年初一及初二，以科普角度给四个模型进行三轮测试，厘清它们的优势、短板，及适用场景。CG-4o 和 DS-V3 是通用型选手，知识广、推理强，适用于各种任务。CG-o1 和 DS-R1 在特定任务上表现突出，但在更复杂或开放的问题上，各有优劣。

　　三轮测试，主题分别为：“文化考据”、“创意写作”和“规划决策”，涵盖知识精准度、语言风格驾驭力、任务逻辑与执行性等多维度能力。每轮测试，四个模型各自生成两次答案，我们择优筛选“决赛作品”进行比较，并以内容精确度、结构条理性、表达完整度、语言清晰度、主题贴合度、创新性等六项指标打分。

测试一：“马名测试”

　　本测试要求模型检验41种马的古称及定义（如“骓”指苍白毛色的马，“驹”指两岁以下的马）。DS-V3 只是逐条复述列表，修正个别错误，六项评分均落在2/5至3.5/5之间。CG-4o、DS-R1 和 CG-o1 都补充了历史背景、现代应用及例句，其中 DS-R1 和 CG-o1 甚至进行了深度学术考据，内容详实，逻辑清晰。综合表现最强的是 CG-o1，思路完整，分析精确， 5/5。DS-R1 在考据上更胜一筹，但语言较偏学术化，表达清晰度略低（3.5/5，相较于 CG-o1 的 4.5/5）。CG-4o 语言流畅，文化补充丰富，适合一般读者。

测试二：“仿鲁迅文测试”

　　四个模型以鲁迅杂文风格撰写讽刺文章，避免使用网络用语，仅限文学性表达，同时展现鲁迅式的批判精神、语言风格及思维模式。结果最贴近鲁迅风DS-R1 的《屏奴正传》，充满象征寓言手法，虚构“即时显圣大欢喜天尊”讽刺手机崇拜，并设计如“戒手机所”等象征场景（创意、表达深度 5/5）。读了它如见鲁迅再生，提笔讽世。

　　CG-o1 的《自由的囚笼》以冷峻剖析方式批判社交媒体上瘾，逻辑清晰，富有哲思，但象征性较少，仍保持一定的鲁迅风格（表达深度 4.5/5）。CG-4o 的《低头族传》 批判有力，结构完整，适合现代杂文风格，但讽刺性相对温和（表达深度 4/5）。DS-V3 的《手机狂人日记》 则较平淡，像个人反思记录，讽刺力度与批判深度皆较弱（表达深度 3/5）。

　　整体来看，DS-R1 在鲁迅风格的模仿及寓言式讽刺上表现最突出，CG-o1 更偏理性分析，CG-4o 适合一般读者，而 DS-V3 则较无特色。

测试三：“新春大扫除规划测试”

　　四个模型围绕春节大扫除规划七天断舍离策略，且每天清理任务有递进关系（如先易后难），还要提供克服“舍不得扔”的心理调适建议。DS-R1 以仪式感和游戏化(gamification)手法强化清理体验，如“留白提示卡”“庆祝音乐”，强调心理建设，让整理成为观念转变；CG-o1 采用“断舍离三原则”，筛选标准清晰，逻辑严谨，适合务实派；CG-4o 逐日推进，每天针对不同区域清理，结合心理调适，执行性与适用性兼具；DS-V3 框架合理，但细节不足，任务安排笼统，心理引导弱。从评分来看，DS-R1 在心理调适和创意上拔得头筹（皆 5/5）；CG-o1 执行性与逻辑性最佳（皆 5/5）；CG-4o 兼顾心理建设与可操作性（皆 5/5）； DS-V3 则是“懒人包”，适合只需大致指南的用户（执行性和心理调适皆 3/5）。整体而言，DS-R1 让断舍离更具沉浸感，CG-O1 最适合高效执行，CG-4o 则是二者的折中方案。

　　三轮测试揭示四个模型的不同侧重，关键在于任务适配度。CG-4o 是全能型选手，适合广泛应用。CG-o1 逻辑清晰、考据扎实，适合精确执行任务；DS-R1 在文化表达、象征寓言上胜出，适合创意类任务；DS-V3 更适合信息整理或大致方向引导，适合“懒人包”需求者。此外，模型的训练数据影响了它们的特定任务表现。如，DS-R1 在仿鲁迅风格测试中表现优异，或因其中文文学语料丰富；但若改为“以莎士比亚风格撰写AI工程师求职信”，ChatGPT 可能更胜一筹。

　　这次测试结果只是“此时此刻”；模型升级后，战况随时生变。这次测试未涵盖编程、数学、多语种能力，仅适用于华文文本生成任务。不同用户需求不同，适合自己的 AI，才是最好的 AI。

　　生成式 AI 竞赛，果然高潮迭起。阿里巴巴在大年初一火速宣布 Qwen 2.5 Max 版本，显然不想让 DeepSeek 抢尽风头。而若 DeepSeek 真的能以 10% 的训练成本打造出对标顶级模型的 AI，无疑是性价比的颠覆式突破，可能重塑整个行业生态。

　　AI 大战方兴未艾，与其被宣传和测评牵着走，不如自己多试多用。模型的优劣，最终要靠实战应用来验证。更重要的是，AI 进化从不停歇——今天的强弱，不代表明天的格局。与其停留在旧印象里，不如带着开放的心态，多测试、多体验，真正让 AI 成为得力助手。

 

黄龙翔是南洋理工大学国立教育学院高级研究科学家、印度尼西亚玛琅国立大学客座教授。

吕赐杰是香港教育大学讲座教授、南洋理工大学终身名誉教授。

Read the original article here.

Source: Lianhe Zaobao © SPH Media Limited. Permission required for reproduction.