原本以为“卷”了一年的AI大模型圈年末终于能暂歇一口气，但没想到最近几日接连有新模型发布。

1月20日晚，DeepSeek发布了推理模型–DeepSeek-R1。据官方介绍，DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。

（DeepSeek-R1技术论文可查看：https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf）

不知是巧合还是故意，时隔不到两天。

1月22日早上，谷歌带来了加强版推理模型 — gemini-2.0-flash-thinking-exp-01-21。该模型能够在多轮对话和推理中能够自我纠错，减少中间推理与最终答案之间的矛盾，提高了回答的可靠性和一致性。

两个模型在302平台的价格对比：

DeepSeek-R1：输入：0.6 美金/1M ; 输出：2.2 美金/1M；

gemini-2.0-flash-thinking-exp-01-21：输入：0.15 美金/1M ; 输出：0.6 美金/1M；

那么今天我们的对照模型就选择推理模型中的标杆– o1，不过o1的价格昂贵得多，其API调用成本足足是其它两个模型的数倍。如此高昂的成本投入，若无法在性能上实现显著领先，恐怕难以支撑其市场定位。

三个模型价格对比： o1 > DeepSeek-R1 > Gemini

那么实测的结果，是否会和价格一致呢？

模型实测：

以下实测使用的是相同的提示词，且摘取模型第一次输出的结果。

实测1和实测2使用的工具为：302.AI的模型竞技场

实测3使用工具为：302.AI聊天机器人-Artifacts功能

实测1：24点游戏

提示词：

请运用四则运算方法，将数字3、3、7、7进行组合运算，使其结果等于24。

考察点：涉及逆向运算的24点题目，如包含除法和分数的，对模型的推理能力有较高要求

（24点游戏规则：给出4个数字，利用四则运算（加、减、乘、除）及括号，使4个数字运算结果为24，每个数字只能用一次。）

o1：回答正确，步骤解析也很清楚。

DeepSeek-R1：回答也是正确的，模型一步步分析后给出完整表达式，最后还验证确认答案。

Gemini：回答错误，首先给出了一个错误的答案，经过自我反省后意识到了错误，进而重新思考给出了新的答案。但可惜的是，第二次给出的答案不符合规则，重复使用了数字。这里可以发现，在同样的提示词下，只有Gemini出现了重复使用数字的情况。

为此，我们在提示词中添加限制条件：每个数字只能使用一次。

然而，可以看到模型仍然忽略了提示词，并且在运算过程中重复使用了数字3，却说每个数学仅使用过一次。

第1轮实测结果：DeepSeek-R1 ＝ o1 > Gemini

实测2：推理逻辑

提示词：

小刘和小红都是张老师的学生，张老师的生日是M月N日，两人都都知道张老师的生日是下列10天中的一天,这十天分别是3月4日、3月5日、3月8日、6月4日、6月7日、9月月1日、9月5日、12月1日、12月2日、12月8日。张老师把M值告诉了小刘，把N值告诉了小红,然后有如下对话:

小刘说:如果我不知道的话，小红肯定也不知道。

小红说:刚才我不知道，听小刘一说我就知道了。

小刘说:哦，那我也知道了。

请根据以上对话推断出张老师的生日是?

A.3月4日。B.3月5日。C.3月8日。

D.9月1日。E.9月5日。

考察点：这道题的逻辑较为复杂，需重点理解题目中对话的含义。

o1-plus：虽然最后给出的答案是正确的，但是仔细看解析过程表达不太易懂，读完甚至感觉有点懵。

比如在解析中出现了”在听到「月份只能是 3 或 9」”这样的表达，让人误以为是在提示词中出现的条件。实际上这是模型通过第一轮分析后得出的结论：

DeepSeek-R1：回答正确，整个分析过程逻辑清晰、且非常易懂。

Gemini：输出的答案整体篇幅也是较长，逐步进行思考分析，最后给出了正确答案。

第2轮实测结果：DeepSeek-R1 > o1 = Gemini

实测3：编程测试

提示词：

用前端代码实现，让黄色小球在正方形内弹跳，确保正确处理碰撞检测。让正方形缓慢旋转，确保小球停留在正方形内，所有代码放在一起输出。

o1-plus：能正确处理碰撞且确保小球停留在正方形内。

DeepSeek-R1：R1生成的效果和o1大差不差，同样能够能正确处理碰撞且确保小球在正方形内活动。

Gemini：生成的效果略逊色于另外两个模型，可以看到小球在碰撞时准确性存在不足，出现未触及线却发生反弹的现象。

第3轮实测结果：DeepSeek-R1 ＝ o1 > Gemini

实测结果总结：

通过以上三个简单的对比实测，能够初步得出以下结论：

（1）在数学任务中表现依次排名：DeepSeek-R1 ＝ o1 >>> Gemini。

在24点任务中，DeepSeek-R1和 o1 均给出了正确的答案和解析，而gemini则是在回答的过程中出现了模型幻觉，表现较差。

（2）在推理方面表现依次排名：DeepSeek-R1 >o1 = Gemini。

在推理方面，R1的推理解析更加清晰易懂，可读性更强。同时，我们也注意到，推理大模型在展现完整思考过程时，应该考虑如何兼顾提高输出内容的整洁性。因为大多数用户在面对冗长且缺乏重点的输出时，往往难以保持足够的耐心。

（3）在编程方面表现依次排名：DeepSeek-R1 ＝ o1 > Gemini。

在编程任务中，R1和 o1的表现相当，而Gemini则略逊色，生成效果的准确度不足。

将这三个结论汇总，可以得出：

三个模型能力对比：DeepSeek-R1 > o1> Gemini

三个模型价格对比： o1 > DeepSeek-R1 > Gemini

就本次实测对比来看，DeepSeek-R1的表现是最好的。Gemini尽管在三个模型中价格最便宜，但是效果却是三个模型中最差的。而DeepSeek-R1能够以远低于o1的价格实现与o1相当的效果，甚至在某些细节之处还可能有所超越，性价比最高。

Deepseek这次在推理模型上的开源发展已经赶超了闭源解决方案，在性能与成本的权衡中更是大大优于国外模型，这极大地鼓舞了国内的AI从业者，期待未来会有更多优秀的国产模型涌现。