DeepSeek-R1 to model typu Mixture-of-Experts (MoE) o 671B parametrach, z 37B aktywowanymi parametrami na token, szkolony za pomocą szeroko zakrojonego uczenia ze wzmocnieniem z naciskiem na zdolności rozumowania. Model ten obejmuje dwa etapy RL w celu odkrywania ulepszonych wzorców rozumowania i dostosowania do preferencji ludzkich, a także dwa etapy SFT do rozwijania zdolności rozumowania i innych umiejętności. Model osiąga wydajność porównywalną z OpenAI-o1 w zadaniach matematycznych, programistycznych i związanych z rozumowaniem.
OpenAI o4-mini to najnowszy lekki model w serii o, zaprojektowany do wydajnego i skutecznego rozumowania w zadaniach tekstowych i wizualnych. Zoptymalizowany pod kątem szybkości i wydajności, wyróżnia się generowaniem kodu i zrozumieniem opartym na obrazach, zachowując równowagę między opóźnieniem a głębią rozumowania. Model obsługuje okno kontekstu o wielkości 200 000 tokenów z maksymalnie 100 000 tokenów wyjściowych, co czyni go odpowiednim do rozbudowanych interakcji o dużej objętości. Przetwarza zarówno dane tekstowe, jak i obrazowe, generując tekstowe wyniki z zaawansowanymi możliwościami rozumowania. Dzięki kompaktowej architekturze i wszechstronnej wydajności o4-mini jest idealny do szerokiego zakresu rzeczywistych zastosowań wymagających szybkiej i opłacalnej inteligencji.
| DeepSeek-R1 | o4-mini | |
|---|---|---|
Strona internetowa
| ||
Dostawca
| ||
Czat
| ||
Data wydania
| ||
Modalności
| tekst | tekst obrazy |
Dostawcy API
| DeepSeek, HuggingFace | OpenAI API |
Data ostatniej aktualizacji wiedzy
| Nieznane | - |
Open Source
| Tak | Nie |
Cena za wejście
| $0.55 za milion tokenów | $1.10 za milion tokenów |
Cena za wyjście
| $2.19 za milion tokenów | $4.40 za milion tokenów |
MMLU
| 90.8% Pass@1 Źródło | fort |
MMLU-Pro
| 84% EM Źródło | - |
MMMU
| - | 81.6% Źródło |
HellaSwag
| - | - |
HumanEval
| - | 14.28% Źródło |
MATH
| - | - |
GPQA
| 71.5% Pass@1 Źródło | 81.4% Źródło |
IFEval
| 83.3% Prompt Strict Źródło | - |
SimpleQA
| - | - |
AIME 2024 | - | 93.4% Źródło |
AIME 2025 | - | 92.7% Źródło |
Aider Polyglot
| - | - |
LiveCodeBench v5
| - | - |
Global MMLU (Lite)
| - | - |
MathVista
| - | - |
Aplikacja mobilna | ||
MathArena | ||
| Średni wynik | 82% | 87% |
AIME 2025 Test oparty na zadaniach z konkursu matematycznego (American Invitational Mathematics Examination),mający na celu sprawdzenie umiejętności matematycznych modeli. | 89% | 92% |
HMMT February 2025 Test oparty na zadaniach z Harvard-MIT Mathematics Tournament, luty 2025, mający na celu sprawdzenie umiejętności matematycznych modeli. | 77% | 83% |
BRUMO 2025 | 92% | 87% |
SMT 2025 Test oparty na zadaniach z Stanford Math Tournament, 2025, mający na celu sprawdzenie umiejętności matematycznych modeli. | 83% | 89% |
CMIMC 2025 Test oparty na zadaniach z Canadian Mathematical Olympiad, 2025, mający na celu sprawdzenie umiejętności matematycznych modeli. | 69% | 84% |
Compare AI. Test. Benchmarks. Chatboty mobilne, Sketch
Copyright © 2026 All Right Reserved.
Komentarze (1)
Jacquie
27 Styczeń 2026Digiturk paketler icinden size en uygun uyeligi kolayca secebilirsiniz. https://digiturkpaketler.com/kampanyalar