DeepSeek، مختبر الذكاء الاصطناعي الصيني، أصدر نسخة مفتوحة المصدر من DeepSeek-R1، وهو نموذج استدلال ينافس بشكل وثيق نموذج o1 من OpenAI في العديد من المعايير. أصبح هذا النموذج متاحًا الآن على Novita AI، وهو مصمم للتعامل مع المهام المعقدة مثل الاستدلال المنطقي والرياضيات والبرمجة، مما يجعله أداة متعددة الاستخدامات للمطورين والشركات.
ما يميز DeepSeek-R1 هو بنيته القائمة على الاستدلال أولاً، والتي تسمح له بفحص مخرجاته بحثًا عن الدقة. قد تستغرق هذه العملية وقتًا أطول من نماذج اللغة التقليدية، لكن النتائج تكون أكثر موثوقية، خاصة في حالات الاستخدام في الفيزياء والعلوم والرياضيات.
تستكشف هذه المقالة القدرات الفريدة لـ DeepSeek-R1، وأدائه عبر المعايير، وكيف يمكن دمجه في سير عملك من خلال واجهات برمجة التطبيقات (APIs) الخاصة بـ Novita AI.
ما هو DeepSeek-R1؟
DeepSeek-R1 هو نموذج استدلال مفتوح المصدر تم تطويره لمعالجة المهام التي تتطلب التفكير المنطقي والرياضيات المتقدمة والبرمجة. يعتمد على النموذج السابق DeepSeek-R1-Zero من خلال الجمع بين التعلم المعزز والضبط الدقيق الخاضع للإشراف لتحسين وضوح المخرجات وتماسكها.
نماذج الاستدلال مثل R1 مصممة للتحقق من صحة مخرجاتها، مما يقلل من الأخطاء التي تحدث غالبًا في نماذج اللغة التقليدية. وهذا يجعلها حيوية للمجالات التي تتطلب مستوى عالٍ من الدقة والشفافية، مثل البحث والتعليم واتخاذ القرار.
ما يجعل DeepSeek-R1 تنافسيًا وجذابًا بشكل خاص هو طبيعته مفتوحة المصدر. النموذج متاح بموجب ترخيص MIT، مما يتيح الاستخدام التجاري غير المقيد. على عكس النماذج المملوكة، يسمح هذا النهج للمطورين والباحثين باستكشاف بنيته بالكامل، وتعديله ليناسب احتياجات محددة، ونشره عبر سير عمل مختلفة.
كيف تم تطوير DeepSeek-R1؟
يتناول هذا القسم كيفية إنشاء DeepSeek-R1، بدءًا من سابقه DeepSeek-R1-Zero.
DeepSeek-R1-Zero
بدأ DeepSeek-R1 مع R1-Zero، وهو نموذج تم تدريبه بالكامل من خلال التعلم المعزز. سمح هذا النهج للنموذج بتطوير قدرات استدلال قوية، لكنه جاء مع العديد من التحديات:
- غالبًا ما كان من الصعب قراءة المخرجات.
- كان النموذج يخلط أحيانًا بين اللغات داخل ردوده، مما جعله أقل سهولة في الاستخدام.
هذه القيود جعلت R1-Zero غير عملي للتطبيقات الواقعية على الرغم من صحته المنطقية.
تحديات التعلم المعزز البحت
أدى الاعتماد على التعلم المعزز البحت إلى مخرجات صحيحة منطقيًا ولكنها ضعيفة التنظيم. بدون توجيه البيانات الخاضعة للإشراف، كافح النموذج لتوصيل منطقه بشكل فعال. كان هذا الافتقار إلى الوضوح عائقًا للمستخدمين الذين يحتاجون إلى الدقة والشفافية في النتائج.
التحسينات مع DeepSeek-R1
للتغلب على هذه التحديات، اعتمد DeepSeek نهجًا هجينًا عند تطوير R1. من خلال الجمع بين التعلم المعزز والضبط الدقيق الخاضع للإشراف، قام الفريق بدمج مجموعات بيانات منظمة لتعزيز قابلية قراءة النموذج وتماسكه. أدى هذا التغيير إلى معالجة المشكلات الحرجة:
- تم تقليل خلط اللغات بشكل كبير.
- تم تحسين الاستدلال المجزأ، مما أدى إلى مخرجات أكثر وضوحًا.
جعلت هذه التطورات DeepSeek-R1 أداة أكثر عملية وموثوقية للتطبيقات الواقعية.
معيار أداء DeepSeek-R1
يتفوق DeepSeek-R1 في الرياضيات، محققًا أعلى الدرجات بنسبة 97.3% في MATH-500 و79.8% في AIME 2024، متجاوزًا المنافسين. في البرمجة، يبرز بنسبة 49.2% في SWE-bench Verified و65.9% في Live Code Bench، مما يظهر خبرته المتكاملة في كلا المجالين.
يتم تقييم جميع النماذج بأقصى طول توليد يبلغ 32,768 رمزًا، باستخدام معلمات أخذ عينات محددة (درجة حرارة 0.6، top-p 0.95، و64 استجابة لكل استعلام) لحساب pass@1 للمعايير.
نماذج DeepSeek-R1-Distill
التقطير، أو تقطير المعرفة، هو طريقة تعلم آلي تنقل المعرفة من نموذج أكبر إلى نموذج أصغر. الهدف هو تطوير نموذج أكثر كفاءة يمكنه تحقيق أداء مماثل للنموذج الأكبر.
أصدرت DeepSeek أيضًا إصدارات مقطرة من R1، تقدم نماذج أصغر تحتفظ بجزء كبير من قدرات النموذج الأصلي مع كونها أكثر كفاءة من الناحية الحسابية. تم ضبط هذه النماذج بدقة باستخدام بيانات تم إنشاؤها بواسطة DeepSeek-R1 وهي متوفرة بأحجام تتراوح من 1.5 مليار إلى 70 مليار معلمة.
المصدر: ورقة إصدار DeepSeek
الوصول إلى واجهة برمجة التطبيقات DeepSeek-R1 عبر Novita AI
تعمل منصة Novita AI على تبسيط نشر DeepSeek-R1 من خلال توفير واجهات برمجة تطبيقات بسيطة وبنية تحتية سحابية GPU ميسورة التكلفة. يمكن للمطورين دمج النموذج بسلاسة في تطبيقاتهم دون القلق بشأن إعداد الأجهزة أو قابلية التوسع.
للبدء مع DeepSeek-R1 على Novita AI، اتبع هذه الخطوات:
الخطوة 1: انتقل إلى Novita AI وقم بتسجيل الدخول باستخدام حساب Google أو GitHub أو عنوان البريد الإلكتروني.
الخطوة 2: جرب عرض DeepSeek-R1.
الخطوة 3: راقب وحدة تحكم مقاييس LLM للنموذج على Novita AI.
الخطوة 4: احصل على مفتاح API الخاص بك:
- انتقل إلى “إدارة المفاتيح” في الإعدادات.
- يتم إنشاء مفتاح افتراضي عند تسجيل الدخول لأول مرة.
- لإنشاء مفاتيح إضافية، انقر على “+ إضافة مفتاح جديد.”
الخطوة 5: قم بإعداد بيئة التطوير الخاصة بك وقم بتكوين خيارات مثل المحتوى والدور والاسم والموجه.
تكامل API
توفر Novita AI مكتبات عميل لـ Curl وPython وJavaScript، مما يسهل دمج DeepSeek-R1 في مشاريعك:
لمستخدمي Python:
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="<YOUR Novita AI API Key>",
)
model = "deepseek/deepseek-r1"
stream = True # or False
max_tokens = 2048
system_content = """Be a helpful assistant"""
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
لمستخدمي JavaScript:
import OpenAI from "openai";
const openai = new OpenAI({
baseURL: "https://api.novita.ai/v3/openai",
apiKey: "<YOUR Novita AI API Key>",
});
const stream = true; // or false
async function run() {
const completion = await openai.chat.completions.create({
messages: [
{
role: "system",
content: "Be a helpful assistant",
},
{
role: "user",
content: "Hi there!",
},
],
model: "deepseek/deepseek-r1",
stream,
response_format: { type: "text" },
max_tokens: 2048,
temperature: 1,
top_p: 1,
min_p: 0,
top_k: 50,
presence_penalty: 0,
frequency_penalty: 0,
repetition_penalty: 1
});
if (stream) {
for await (const chunk of completion) {
if (chunk.choices[0].finish_reason) {
console.log(chunk.choices[0].finish_reason);
} else {
console.log(chunk.choices[0].delta.content);
}
}
} else {
console.log(JSON.stringify(completion));
}
}
run();
لمستخدمي Curl:
curl "https://api.novita.ai/v3/openai/chat/completions" \
-H "Content-Type: application/json" \
-H "Authorization: Bearer <YOUR Novita AI API Key>" \
-d @- << 'EOF'
{
"model": "deepseek/deepseek-r1",
"messages": [
{
"role": "system",
"content": "Be a helpful assistant"
},
{
"role": "user",
"content": "Hi there!"
}
],
"response_format": { "type": "text" },
"max_tokens": 2048,
"temperature": 1,
"top_p": 1,
"min_p": 0,
"top_k": 50,
"presence_penalty": 0,
"frequency_penalty": 0,
"repetition_penalty": 1
}
EOF
💡 نصائح احترافية من DeepSeek
لتحقيق الأداء الأمثل عند استخدام نماذج DeepSeek-R1، يُوصى باستخدام التكوينات التالية:
- إعدادات درجة الحرارة: اضبط درجة الحرارة ضمن النطاق 0.5-0.7 (0.6 هو الموصى به) لتجنب المخرجات غير المتماسكة أو التكرارات التي لا نهاية لها.
- تصميم الموجه: تجنب إضافة موجه النظام؛ قم بتضمين جميع التعليمات مباشرة في موجه المستخدم.
- المسائل الرياضية: للمهام التي تتضمن الرياضيات، أضف توجيهات مثل: “يرجى التفكير خطوة بخطوة، ووضع إجابتك النهائية داخل \boxed{}.”
- التقييم: قم بإجراء اختبارات متعددة وحساب متوسط النتائج لضمان معايرة موثوقة.
DeepSeek-R1 مقابل OpenAI o1: أداء المعايير
يتنافس DeepSeek-R1 مباشرة مع OpenAI o1 عبر معايير متعددة، وغالبًا ما يضاهي أداءه أو يتجاوزه.
معايير الرياضيات
في مهام الرياضيات المتقدمة، يظهر DeepSeek-R1 أداءً قويًا. يسجل 79.8% في AIME 2024، متقدمًا قليلاً على OpenAI o1-1217 بنسبة 79.2%. في MATH-500، الذي يتضمن حل مشكلات متنوعة على مستوى المدرسة الثانوية، يتصدر DeepSeek-R1 بنسبة 97.3%، متجاوزًا نتيجة OpenAI o1-1217 البالغة 96.4%.
معايير البرمجة
في معايير البرمجة، يحقق DeepSeek-R1 نسبة 96.3% في Codeforces، خلف OpenAI o1-1217 بنسبة 96.6% بقليل. ومع ذلك، في SWE-bench Verified، الذي يقيم التفكير في مهام هندسة البرمجيات، يسجل DeepSeek-R1 نسبة 49.2%، متقدمًا قليلاً على 48.9% لـ OpenAI o1-1217.
معايير المعرفة العامة
بينما يتفوق OpenAI o1 في مهام المعرفة العامة، يظل DeepSeek-R1 منافسًا. يسجل 71.5% في GPQA Diamond مقارنة بـ 75.7% لـ OpenAI o1-1217. في MMLU، وهو معيار متعدد المهام، يحقق DeepSeek-R1 نسبة 90.8%، خلف 91.8% لـ OpenAI o1-1217 بقليل.
تؤكد هذه النتائج نقاط قوة DeepSeek-R1 في المجالات التي تتطلب استدلالًا مكثفًا، خاصة في الرياضيات والبرمجة.
أطلق العنان لقوة DeepSeek-R1 اليوم
يمثل DeepSeek-R1 تقدمًا كبيرًا في الذكاء الاصطناعي المرتكز على الاستدلال، حيث يقدم الشفافية والموثوقية والمرونة. أداؤه القوي في مهام الرياضيات وهندسة البرمجيات يجعله أداة قوية للمطورين الذين يبحثون عن حلول في البحث والتعليم وسير العمل التقني.
مع توفره على Novita AI، أصبح نشر DeepSeek-R1 أمرًا مباشرًا وفعالاً من حيث التكلفة. سواء كنت تتعامل مع مشكلات رياضية معقدة أو تقوم بأتمتة مهام البرمجة، فإن DeepSeek-R1 يقدم حلاً قويًا وسهل الوصول لتطبيقات الذكاء الاصطناعي المتنوعة.
حول Novita AI
Novita AI هي منصة سحابية للذكاء الاصطناعي تقدم للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام واجهة برمجة التطبيقات البسيطة الخاصة بنا، مع توفير سحابة GPU ميسورة التكلفة وموثوقة لتشغيل النماذج.
