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怎么用
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后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)
: 然后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 除非是属于私密资料等应用场
景
: 而edge/on-devcie AI 可能突破点会在机器人
: 自驾的趋势之后会跟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 基于模型泛化能力)
: 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