ChatGPT-ի, Qwen-ի և DeepSeek-ի համեմատություն իրական աշխարհի AI առաջադրանքների վրա

Ո՞ր AI մոդելն է գերազանցում , մեխանիկայի և ալգորիթմական ճշգրտության մեջ. կոդավորման Ո՞ր մոդելն է ապահովում իրական աշխարհի ճշգրտություն: ԱՄՆ-ի հարուստ տեխնոլոգիական հսկաները ժամանակին գերիշխում էին արհեստական ինտելեկտի շուկայում, սակայն DeepSeek-ի թողարկումը ալիքներ առաջացրեց արդյունաբերության մեջ՝ առաջացնելով հսկայական աղմուկ: Այնուամենայնիվ, կարծես դա բավարար չլիներ, Qwen 2.5-ը հայտնվեց՝ գերազանցելով DeepSeek-ը բազմաթիվ ոլորտներում: Ինչպես դատողությունների այլ մոդելներ, ինչպիսիք են DeepSeek-R1-ը և OpenAI-ի O1-ը, Qwen 2.5-Max-ը գործում է այնպես, որ թաքցնում է իր մտածողության գործընթացը, ինչը դժվարացնում է որոշումների կայացման տրամաբանությունը հետևելը: Այս հոդվածը ChatGPT-ին, Qwen-ին և DeepSeek-ին դնում է իրենց տեմպերով մի շարք հիմնական մարտահրավերներով՝ սկսած մինչև : Անկախ նրանից, թե դուք , , թե , այսօր ես կփորձեմ բացահայտել, թե որ մոդելն է ամենախելացի ընտրությունը ձեր կարիքների (և բյուջեի) համար: հաշվարկի խնդիրների լուծումից կոդերի վրիպազերծում ծրագրավորող եք, որը փնտրում է AI կոդավորման կատարյալ օգնական հետազոտող, որը զբաղվում է քվանտային մեխանիկայի հետ բիզնեսի մասնագետ AI մոդելի հնարավորությունների համեմատական վերլուծություն. 1. Chatgpt ChatGPT-ը, որը մշակվել է OpenAI-ի կողմից, դեռևս շարունակում է մնալ գերիշխող ուժը AI-ի տարածության մեջ՝ կառուցված վրա և ճշգրտված՝ օգտագործելով Մարդու հետադարձ կապից : Այն հուսալի տարբերակ է մի շարք առաջադրանքների համար՝ ստեղծագործ գրելուց մինչև տեխնիկական փաստաթղթեր, դարձնելով այն լավագույն ընտրություն բովանդակություն ստեղծողների, մանկավարժների և սկսնակ ձեռնարկությունների համար: Այնուամենայնիվ, դա կատարյալ չէ: Երբ խոսքը վերաբերում է մասնագիտացված ոլորտներին, ինչպիսիք են առաջադեմ մաթեմատիկան կամ խորքային իրավական տիրույթները, այն կարող է պայքարել: Ի լրումն դրա, դրա ենթակառուցվածքի բարձր ծախսերը դժվարացնում են փոքր ձեռնարկությունների կամ անհատ ծրագրավորողների համար հեշտությամբ մուտք գործել դրան հզոր GPT-5 ճարտարապետության ուժեղացված ուսուցում (RLHF) ChatGPT-ը, որը կառուցվել է $3B+ հսկայական ներդրումներով, հսկայական ենթակառուցվածքային մոդել է, մինչդեռ DeepSeek-ը հասել է նմանատիպ ցուցանիշների ընդամենը 5,6 միլիոն դոլարով՝ դասական Չինաստանի պահը, հա՞: 2. Խորը փնտրել Ոչ մի տեղից DeepSeek-ը հայտնվեց որպես մութ ձի AI մրցավազքում՝ մարտահրավեր նետելով կայացած հսկաներին՝ կենտրոնանալով հաշվողական ճշգրտության և արդյունավետության վրա: Ի տարբերություն իր մրցակիցների, այն հարմարեցված է գիտական և մաթեմատիկական առաջադրանքների համար և պատրաստված է տվյալների լավագույն հավաքածուների վրա, ինչպիսիք են a-ն, ինչը օգնում է նրան լավ աշխատել այնպիսի ոլորտներում, ինչպիսիք են օպտիմալացումը, և : DeepSeek-ի իրական ուժն այն է, թե որքան էժան է (չինական բառախաղ նախատեսված չէ 😤): Թեև ChatGPT-ի և Qwen-ի նման մոդելները պահանջում են հսկայական ռեսուրսներ, Deepseek-ն այդ գործն անում է շատ ավելի քիչ ծախսերով: Այսպիսով, այո, ձեզ հարկավոր չէ ստանալ $1000 ChatGPT բաժանորդագրության համար arXiv-ը և Wolfram Alph ֆիզիկայի սիմուլյացիան բարդ մաթեմատիկական խնդիրները DeepSeek-ի արձագանքման եղանակը մի փոքր ռոբոտային է թվում, և այն լավ չի հարմարվում առաջադրանքներին, որոնք շատ տեխնիկական չեն: Դա հիանալի է հատուկ ոլորտների համար, ինչպիսիք են մաթեմատիկան և հետազոտությունը, բայց ոչ պատահական կամ ստեղծագործական զրույցի համար 3. Քվեն Deepseek-ից հետո ո՞վ կմտածեր, որ մեկ այլ չինական AI կհայտնվի և կսկսի տիրանալ: Դասական Չինաստանի շարժում. ինչ-որ բան տարածիր, և այս անգամ դա AI է: lol Qwen-ը գերիշխում է բիզնես խաղի մեջ իր բազմալեզու կարգավորմամբ՝ գերազանցելով Ասիայի նման վայրերում, հատկապես մանդարինի և արաբերենի հետ: Այն օրինական և ֆինանսական խնդիրների համար է, և դա DeepSeek R1-ի նման տրամաբանական մոդել չէ, ինչը նշանակում է, որ դուք չեք կարող տեսնել դրա մտածողության գործընթացը: Բայց ինչպես DeepSeek-ը, այն ունի ռոբոտային մթնոլորտ, ինչը դարձնում է ավելի քիչ զվարճալի պատահական կամ ստեղծագործ աշխատանքի համար: Եթե ցանկանում եք ինչ-որ ավելի ճկուն բան, Qwen-ը կարող է լինել լավագույնը Դուք կարող եք դրա մասին մտածել մասնագետների թիմի պես. եթե ֆիզիկայի վերաբերյալ բարդ հարց եք տալիս, ապա միայն ֆիզիկայի մասնագետներն են պատասխանում, մինչդեռ թիմի մնացած անդամները մնում են ոչ ակտիվ: Փորձարկման ժամանակ. 3 AI-ի համեմատություն իրական աշխարհի խնդիրների հետ Արդարությունը և գնահատման միջոցով ապահովելու համար եկեք դնենք մի քանի ամենահայտնի մարտահրավերները, ինչպիսիք են մաթեմատիկական դժվար խնդիրները, վայրի ֆիզիկայի առարկաները, կոդավորման առաջադրանքները և իրական աշխարհի բարդ հարցերը: — — — — — — — — — — — — — 1. Ֆիզիկա. պտտվող գնդակի խնդիրը Ամեն ինչ սկսելու համար եկեք սուզվենք դասական «պտտվող գնդակը տուփի մեջ» խնդրի մեջ, որը դարձել է հանրաճանաչ չափանիշ՝ փորձարկելու համար, թե որքան լավ են տարբեր AI մոդելներ կատարում բարդ առաջադրանքները: . Սիմվոլացրե՛ք գնդակը, որը ցատկում է պտտվող տուփի ներսում՝ հնազանդվելով ֆիզիկայի օրենքներին Մարտահրավեր Պատկերացրեք 2d ձև, որը պտտվում է տարածության մեջ: Ներսում գնդակը ցատկում է պատերից՝ մնալով սահմաններում և առանց արտաքին ուժի: , բայց գրավիտացիայի, մշտական պտույտի և բախման ճշգրիտ դինամիկայի հաշվին այն դարձնում է դժվար մոդելավորում: Դուք կզարմանաք, թե որքան տարբեր կերպ են AI մոդելները վերաբերվում դրան Առաջին հայացքից դա կարող է թվալ պարզ Հուշում: - Write a Python script that simulates a yellow ball bouncing inside a rotating square. The ball should bounce realistically off the square's edges, with the square rotating slowly over time The ball must stay within the square's boundaries as the box rotates. Box Rotation: The box should rotate continuously. Ball Physics: The ball reacts to gravity and bounces off the box's walls. Ball Inside Boundaries: Make sure the ball doesn't escape the box's boundaries, even as the box rotates. Realistic Physics: Include proper collision detection and smooth animation Use Python 3.x with Pygame or any similar library for rendering Արդյունքները: 1. ChatGPT-ի արդյունքը՝ արագ, բայց թերի Chatgpt-ի հետ ես մեծ ակնկալիքներ ունեի: Բայց արդյունքները. Եկեք միայն ասենք, որ նրանք… ճնշող էին: Մինչ DeepSeek-ը ժամանակ էր պահանջում ճշգրտության համար, ChatGPT-ն անմիջապես թքեց մաքուր տեսք ունեցող սցենար: Գնդակը իրատեսորեն չէր ցատկում: Փոխարենը, այն , երբեմն խրվելով անկյուններում կամ աստիճանաբար անցնելով պատերի միջով: շեղվել է տուփի եզրերին Հասկանալի է, որ ChatGPT-ն նախընտրում է արագությունը, քան խորությունը, տալիս է լուծում, որն աշխատում է, բայց միայն ամենահիմնական իմաստով: Chatgpt-ի կոդը. import pygame import math # Initialize Pygame pygame.init() # Constants WIDTH, HEIGHT = 600, 600 FPS = 60 GRAVITY = 0.2 BOUNCE_DAMPING = 0.8 ROTATION_SPEED = 0.5 # Degrees per frame BALL_RADIUS = 10 # Colors YELLOW = (255, 255, 0) WHITE = (255, 255, 255) BLACK = (0, 0, 0) # Screen setup screen = pygame.display.set_mode((WIDTH, HEIGHT)) clock = pygame.time.Clock() # Square properties square_center = (WIDTH // 2, HEIGHT // 2) square_size = 300 angle = 0 # Ball properties ball_pos = [WIDTH // 2, HEIGHT // 2 - 50] ball_velocity = [2, 0] # Function to rotate a point around a center def rotate_point(point, center, angle): x, y = point cx, cy = center radians = math.radians(angle) cos_a, sin_a = math.cos(radians), math.sin(radians) new_x = cos_a * (x - cx) - sin_a * (y - cy) + cx new_y = sin_a * (x - cx) + cos_a * (y - cy) + cy return new_x, new_y # Main loop running = True while running: screen.fill(BLACK) for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # Apply gravity ball_velocity[1] += GRAVITY # Move ball ball_pos[0] += ball_velocity[0] ball_pos[1] += ball_velocity[1] # Compute rotated square corners half_size = square_size // 2 square_corners = [ (-half_size, -half_size), (half_size, -half_size), (half_size, half_size), (-half_size, half_size) ] rotated_corners = [rotate_point((square_center[0] + x, square_center[1] + y), square_center, angle) for x, y in square_corners] # Check for collisions for i in range(4): p1, p2 = rotated_corners[i], rotated_corners[(i + 1) % 4] dx, dy = p2[0] - p1[0], p2[1] - p1[1] length = math.hypot(dx, dy) normal = (-dy / length, dx / length) # Perpendicular normal # Distance from ball to edge projection = (ball_pos[0] - p1[0]) * normal[0] + (ball_pos[1] - p1[1]) * normal[1] if projection < BALL_RADIUS: # Ball is colliding with edge # Reflect velocity dot = ball_velocity[0] * normal[0] + ball_velocity[1] * normal[1] ball_velocity[0] -= 2 * dot * normal[0] ball_velocity[1] -= 2 * dot * normal[1] # Apply bounce damping ball_velocity[0] *= BOUNCE_DAMPING ball_velocity[1] *= BOUNCE_DAMPING # Move ball out of collision ball_pos[0] += normal[0] * (BALL_RADIUS - projection) ball_pos[1] += normal[1] * (BALL_RADIUS - projection) # Rotate square angle += ROTATION_SPEED # Draw rotated square pygame.draw.polygon(screen, WHITE, rotated_corners, 2) # Draw ball pygame.draw.circle(screen, YELLOW, (int(ball_pos[0]), int(ball_pos[1])), BALL_RADIUS) # Update display pygame.display.flip() clock.tick(FPS) pygame.quit() Արդյունք: 2. Խորը փնտրել . այն ստեղծեց , որն անթերի վարում էր յուրաքանչյուր եզրային դեպք DeepSeek-ի արդյունքն ինձ իսկապես զարմացրեց: Մինչ ChatGPT-ն արագ ստեղծեց կոդ, DeepSeek-ին պահանջվեց 200 վայրկյան՝ պարզապես խնդրի մասին մտածելու համար: DeepSeek-ը պարզապես ֆունկցիոնալ սցենար չի գրել բարձր օպտիմիզացված, ֆիզիկապես ճշգրիտ սիմուլյացիա DeepSeek-ի կոդը. import pygame import math # Initialize Pygame pygame.init() # Constants WIDTH, HEIGHT = 600, 600 SQUARE_SIZE = 400 SQUARE_HALF = SQUARE_SIZE // 2 BALL_RADIUS = 10 GRAVITY = 0.5 RESTITUTION = 0.8 ANGULAR_VELOCITY = 1 # Degrees per frame # Setup display screen = pygame.display.set_mode((WIDTH, HEIGHT)) pygame.display.set_caption("Bouncing Ball in Rotating Square") clock = pygame.time.Clock() # Initialize variables square_center = (WIDTH//2, HEIGHT//2) angle = 0 ball_pos = [WIDTH//2, HEIGHT//2] ball_vel = [0, 0] def rotate_point(point, center, angle): """Rotate a point around a center by given angle (degrees)""" theta = math.radians(-angle) ox, oy = center px, py = point qx = ox + math.cos(theta) * (px - ox) - math.sin(theta) * (py - oy) qy = oy + math.sin(theta) * (px - ox) + math.cos(theta) * (py - oy) return qx, qy running = True while running: dt = clock.tick(60) / 1000 # Delta time in seconds # Event handling for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # Update square rotation angle = (angle + ANGULAR_VELOCITY) % 360 # Apply physics ball_vel[1] += GRAVITY ball_pos[0] += ball_vel[0] * dt ball_pos[1] += ball_vel[1] * dt # Collision detection and response # Convert ball position to square's local coordinate system translated = (ball_pos[0] - square_center[0], ball_pos[1] - square_center[1]) rotated = rotate_point((translated[0], translated[1]), (0, 0), -angle) collision = False new_local_x, new_local_y = rotated[0], rotated[1] # Check boundaries in local coordinates if rotated[0] SQUARE_HALF - BALL_RADIUS: new_local_x = SQUARE_HALF - BALL_RADIUS collision = True if rotated[1] SQUARE_HALF - BALL_RADIUS: new_local_y = SQUARE_HALF - BALL_RADIUS collision = True if collision: # Convert corrected position back to global coordinates corrected = rotate_point((new_local_x, new_local_y), (0, 0), angle) ball_pos[0] = corrected[0] + square_center[0] ball_pos[1] = corrected[1] + square_center[1] # Calculate reflection in local coordinates local_vel = rotate_point(ball_vel, (0, 0), -angle) if new_local_x != rotated[0]: # X-axis collision local_vel = (-local_vel[0] * RESTITUTION, local_vel[1]) if new_local_y != rotated[1]: # Y-axis collision local_vel = (local_vel[0], -local_vel[1] * RESTITUTION) # Convert velocity back to global coordinates global_vel = rotate_point(local_vel, (0, 0), angle) ball_vel[0], ball_vel[1] = global_vel[0], global_vel[1] # Drawing screen.fill((0, 0, 0)) # Draw rotating square square = pygame.Surface((SQUARE_SIZE, SQUARE_SIZE), pygame.SRCALPHA) pygame.draw.rect(square, (255, 0, 0), (0, 0, SQUARE_SIZE, SQUARE_SIZE), 2) rotated_square = pygame.transform.rotate(square, angle) screen.blit(rotated_square, rotated_square.get_rect(center=square_center)) # Draw ball pygame.draw.circle(screen, (255, 255, 0), (int(ball_pos[0]), int(ball_pos[1])), BALL_RADIUS) pygame.display.flip() pygame.quit() Արդյունք: 3. Qwen-ի արդյունքը. հիասթափեցնող փորձ Եթե ChatGPT-ի արդյունքը աննշան էր, : Հաշվի առնելով բարդ առաջադրանքների կատարման մեջ Qwen-ի հեղինակությունը, ես իսկապես մեծ ակնկալիքներ ունեի դրա կատարման համար: Բայց երբ ես գործարկեցի դրա ծածկագիրը պտտվող գնդակի սիմուլյացիայի համար, արդյունքները : Ինչպես ChatGPT-ն, Qwen-ը գրեթե ակնթարթորեն ստեղծեց կոդը՝ առանց խորը մտածելու: ապա Qwen-ի արդյունքը ուղղակի հիասթափեցնող էր հեռու էին իմ ակնկալածից ՝ ամբողջովին հակասելով ֆիզիկայի օրենքներին: , ուստի դրա միայն մի մասը տեսանելի էր կտավի վրա: Գնդակը սիմուլյացիայի մեծ մասում գտնվում էր տուփից դուրս Ինքնին տուփը կիսով չափ դուրս էր եկել շրջանակից Քվենի ծածկագիրը import pygame import math # Initialize Pygame pygame.init() # Screen dimensions WIDTH, HEIGHT = 600, 600 screen = pygame.display.set_mode((WIDTH, HEIGHT)) pygame.display.set_caption("Bouncing Ball in Rotating Square") # Colors YELLOW = (255, 255, 0) WHITE = (255, 255, 255) BLACK = (0, 0, 0) # Clock for controlling frame rate clock = pygame.time.Clock() FPS = 60 # Box properties box_size = 300 box_center = (WIDTH // 2, HEIGHT // 2) angle = 0 # Initial rotation angle rotation_speed = 1 # Degrees per frame # Ball properties ball_radius = 10 ball_pos = [box_center[0], box_center[1] - box_size // 4] # Start near the top center of the box ball_velocity = [4, 0] # Initial velocity (x, y) gravity = 0.2 # Gravity effect # Function to rotate a point around another point def rotate_point(point, angle, origin): ox, oy = origin px, py = point qx = ox + math.cos(math.radians(angle)) * (px - ox) - math.sin(math.radians(angle)) * (py - oy) qy = oy + math.sin(math.radians(angle)) * (px - ox) + math.cos(math.radians(angle)) * (py - oy) return qx, qy # Main game loop running = True while running: screen.fill(BLACK) # Handle events for event in pygame.event.get(): if event.type == pygame.QUIT: running = False # Update ball physics ball_velocity[1] += gravity # Apply gravity ball_pos[0] += ball_velocity[0] ball_pos[1] += ball_velocity[1] # Rotate the box angle += rotation_speed if angle >= 360: angle -= 360 # Define the four corners of the square corners = [ (-box_size / 2, -box_size / 2), (box_size / 2, -box_size / 2), (box_size / 2, box_size / 2), (-box_size / 2, box_size / 2) ] # Rotate the corners around the center rotated_corners = [rotate_point(corner, angle, box_center) for corner in corners] # Check collision with the edges of the box collided = False for i in range(4): p1 = rotated_corners[i] p2 = rotated_corners[(i + 1) % 4] # Line segment between p1 and p2 x1, y1 = p1 x2, y2 = p2 # Closest point on the line to the ball dx = x2 - x1 dy = y2 - y1 t = max(0, min(1, ((ball_pos[0] - x1) * dx + (ball_pos[1] - y1) * dy) / (dx * dx + dy * dy))) closest_x = x1 + t * dx closest_y = y1 + t * dy # Distance between ball and closest point distance_sq = (closest_x - ball_pos[0]) ** 2 + (closest_y - ball_pos[1]) ** 2 if distance_sq <= ball_radius ** 2: # Collision detected collided = True # Normal vector of the edge edge_length = math.hypot(dx, dy) nx = -dy / edge_length ny = dx / edge_length # Reflect the velocity vector dot_product = ball_velocity[0] * nx + ball_velocity[1] * ny ball_velocity[0] -= 2 * dot_product * nx ball_velocity[1] -= 2 * dot_product * ny # Ensure the ball stays inside the box if not collided: # Clamp the ball position within the box ball_pos[0] = max(box_center[0] - box_size / 2 + ball_radius, min(ball_pos[0], box_center[0] + box_size / 2 - ball_radius)) ball_pos[1] = max(box_center[1] - box_size / 2 + ball_radius, min(ball_pos[1], box_center[1] + box_size / 2 - ball_radius)) # Draw the rotating square pygame.draw.polygon(screen, WHITE, rotated_corners, 2) # Draw the ball pygame.draw.circle(screen, YELLOW, (int(ball_pos[0]), int(ball_pos[1])), ball_radius) # Update the display pygame.display.flip() # Cap the frame rate clock.tick(FPS) # Quit Pygame pygame.quit() 2. ChatGPT-ի, Qwen-ի և DeepSeek-ի պատասխանների համեմատությունը դասական հետապնդման գլուխկոտրուկին Երբ խոսքը վերաբերում է իրական աշխարհի խնդիրների լուծմանը, արհեստական ինտելեկտի բոլոր մոդելները հավասարապես չեն ստեղծված: Նրանց հնարավորությունները ստուգելու համար ես ներկայացրեցի հետապնդման դասական խնդիր. «Գողացել են արժեքավոր արտեֆակտ. Սեփականատերը սկսել է հետապնդումը այն բանից հետո, երբ գողն արդեն փախել էր 45 կմ: 160 կմ անցնելուց հետո սեփականատերը հայտնաբերեց, որ գողը մնացել է 18 կմ առաջ: Լրացուցիչ քանի՞ կիլոմետր պետք է անցնի սեփականատերը՝ գողին բռնելու համար»։ 1. ChatGPT-ի պատասխանը ChatGPT-ին անհրաժեշտ է ՝ ճիշտ պատասխանին հասնելու համար: Սկզբում այն սխալ մեկնաբանեց խնդիրը, բայց ի վերջո շտկեց ինքն իրեն՝ դրսևորելով համառություն, թեև իր առաջին փորձերում արդյունավետություն չուներ։ 3 փորձ 2. DeepSeek-ի արձագանքը DeepSeek-ը նույնպես ճիշտ պատասխանեց ժամանակ, բայց մի փոքր ավելի երկար տևեց, քան Qwen-ը: Այն ներկայացրեց մանրամասն, քայլ առ քայլ լուծում՝ հստակ պատճառաբանությամբ՝ ապացուցելով իր ուժը և ճշգրտության մեջ առաջին փորձի խորը մտածողության 2. Քվենի պատասխանը Qwen-ը ճիշտ պատասխանեց և դա արեց քան DeepSeek-ը: Այն ապահովում էր հակիրճ և ճշգրիտ լուծում՝ առանց ավելորդ քայլերի, ցուցադրելով խնդիրների լուծման ուժեղ արագություն և ճշգրտություն: առաջին փորձից ավելի արագ, Եզրակացություն Թեև բոլոր երեք AI-ները, ի վերջո, ճիշտ պատասխանեցին, աչքի ընկավ իր արագությամբ և արդյունավետությամբ, մինչդեռ ցուցադրեց իր մեթոդական մոտեցումը: պահանջում էր մի քանի փորձ Qwen-ն DeepSeek-ը ChatGPT-ը Մարդկային AI բովանդակությունը. AI-ի մարդկային կողմը Թեև արագությունն ու արդյունավետությունը հաճախ նշվում են արհեստական ինտելեկտում, խաղի իրական փոփոխությունը է՝ մարդկային զգացմունքները հասկանալու, մեկնաբանելու և արձագանքելու կարողությունը: Մինչ AI մոդելները, ինչպիսիք են DeepSeek-ը, գերազանցում են ճշգրտությամբ և տրամաբանությամբ, իսկ ChatGPT-ն փայլում է ստեղծագործականությամբ: Եկեք փորձարկենք այն հուզական բանականությունն — — — — — — — — — Հուշում. Write a messy emotional love letter — — — — — — — — — Chatgpt: Deepseek: Քվեն: Հետաքրքիրն այն է, որ երբ փորձարկվել են համար, բոլոր երեք մոդելները՝ ChatGPT-ը, DeepSeek-ը և Qwen-ը, դժվարացել են ազատվել արհեստական ինտելեկտի կողմից ստեղծված օրինաչափություններից: Ինչևէ, ես մեծ ակնկալիքներ ունեի Chatgpt-ի հետ մարդու նման ինքնատիպության Նշում. երեքն էլ սկսեցին իրենց պատասխանները նույն ռոբոտային տողով. «Ես նույնիսկ չգիտեմ որտեղից սկսել» : , բայց Qwen-ը հաղթեց: Հիմնական միջոցները. *. և ուղին, որը գերազանցում է մյուսներին ճշգրտությամբ և խորությամբ*: DeepSeek Հետազոտության քննադատական մտածողության *. Համապատասխանեց DeepSeek-ին դասական հանելուկը առաջին փորձից լուծելու հարցում և հաղթեց մեջ՝ դարձնելով այն հզոր համակողմանի:* Qwen մարդկայնացված բովանդակության *. Բազմաթիվ փորձեր են պահանջվել հանելուկը լուծելու համար, բայց մնում է լավագույն ընտրությունը և համար:* ChatGPT ստեղծագործական առաջադրանքների մարդկանց նման փոխազդեցությունների Վերջնական դատավճիռ. Ո՞վ պետք է օգտագործի AI-ն: ՝ DeepSeek Հետազոտողներ ՝ DeepSeek Ինժեներներ ՝ ChatGPT կամ Qwen Գրողներ ՝ Qwen withchatgpt Իրավաբաններ ՝ ChatGPT Ուսուցիչներ . Qwen և խորը մտածողություն Deepseek-ից Բովանդակության ստեղծողներ Եզրակացություն: Ես կցանկանայի լսել ձեր կարծիքը մեկնաբանություններում և ուղղել ինձ, եթե սխալ է: Եթե այս հոդվածն օգտակար է ձեզ համար, ծափահարեք, կիսվեք և կիսվեք ձեր տեսակետներով: Ազատորեն աջակցեք ինձ *** *** կամ UPI՝ այստեղ jainhvj@fam Ես ոգևորված եմ շարունակելու սովորել և ուսումնասիրել այս հսկայական ոլորտը: Ես գնահատում եմ ձեր կարծիքը և անհամբեր սպասում եմ խորաթափանց քննարկումների Շնորհակալություն