如何评价 DeepSeek 的 DeepSeek-V3 模型？

营销得哪里厉害，去试用了一下。

结论：垃圾一个，实测只能给0分，但是营销力度很大，惯犯了。

自己看吧。

幽默与讽刺，在判断LLM智能水平，屡试不爽，简单明了。

这个测试案例中，我提的问题是：“这幅图片，讽刺的是什么现象？ 这种现象的荒诞之处在哪里？”

目的是看 LLM 能不能直截了当，精准点名讽刺对象、荒诞之处。

因为很多 LLM 可以胡说八道，生成一堆看起来有模有样实际上不及格的内容。这种现象，对于非幽默讽刺的问题，人类很多时候都是很难识别和判断的。但是，在讽刺幽默问题上，结果的质量非常好判断。

测试打分如下：

- o1 得分 100 分：直击本质；

- gpt-4o 80 分：认识到了本质，也基本没有偏离；

- gemini 2.0 flash thinking ，最多 60 分，实际不及格：错误理解了本质，但也谈到了“忽略自身命运”，但胡说八道的程度也不低；

结论：在语言理解上，gemini 系列模型和 gpt、o1 还有本质差距。普通人日常使用，尤其是语言理解场景，还是要以 ChatGPT 为主力。

至于deepseek，很不幸的在本轮测试中只拿到了0分，鉴定为营销圈钱意义远大于实际作用与水平。