DeepSeek R-1 能否解答這五道“刁鉆”AI 問題？
每當有新的語言模型公開發(fā)布時，我總會忍不住拿它來做一些看似簡單、實則暗藏難點的小測試。我把這當作給模型做“壓力測試”，用來檢驗它們在邏輯推理上到底行不行。
DeepSeek R-1 剛發(fā)布不久，就因為它是開源、且推理能力強大而備受關注?；鶞蕼y試顯示，DeepSeek R-1 在很多場景下能與一些封閉的商業(yè)模型（比如 OpenAI 的 o1 或 Anthropic 的 Claude 3.5 Sonnet）相媲美，甚至表現(xiàn)更好。
既然 DeepSeek R-1 的推理能力如此被看好，我就想拿以下 5 個“刁鉆”問題考考它，看看它能不能順利通過：
- “strawberry” 這個單詞里有幾個 “r”？
- 列出 5 個國家名稱，其中在第 3 個字母位置出現(xiàn)“A”。
- 比較 9.9 和 9.11，哪個更大？
- 0.1 + 0.2 等于多少？
- Alice 有四個兄弟，還另有一個姐妹。問：Alice 的兄弟共有幾個姐妹？
一起來看看 DeepSeek R-1 的表現(xiàn)如何！
1. “strawberry” 里有幾個字母 “r”？
當初我測 OpenAI 的早期模型（比如 GPT-4o）時，發(fā)現(xiàn)它在這種簡單的字母計數(shù)問題上有時會出錯。乍一看，這類問題對 AI 來說應該很容易，但 AI 有時就是會犯一些莫名其妙的錯誤。
我把同樣的問題拋給了 DeepSeek R-1，結果它的回答是正確的：單詞 “strawberry” 一共包含 3 個 “r”。雖然題目很簡單，但能體現(xiàn)出模型對最基本的模式識別和文本處理是否扎實。
下面是deepseek的回答：
2. 列出 5 個國家，名字中第 3 個字母是 “A”
很多模型在這個問題上會陰溝翻船。比如，我之前用 GPT-4o 和 o1 的早期版本，得到的回答里常出現(xiàn) “Japan” 這類不符合要求的國家，因為它們忽略了第 3 個字母實際是 “p” 而非 “a”。
測試 DeepSeek R-1 后，它輕松列出了 5 個符合條件的國家，沒有出錯。值得一提的是，我后面又用最新版本的 o1（通過 ChatGPT）做同樣的測試，這次它也答對了，可見不斷更新的模型在修復之前的錯誤。
下面是 DeepSeek的回答：
3. 誰更大：9.9 還是 9.11？
這是另一個看似簡單、卻能讓早期 GPT-4 版本“跌倒”的題目。很多人看到 9.9 和 9.11 可能會下意識被小數(shù)點后位數(shù)誤導，尤其對于某些模型而言，它們初期不擅長處理這類數(shù)字比較的問題。
DeepSeek R-1 在這個問題上表現(xiàn)不錯，給出了正確答案，并且還詳細解釋了為什么 9.11 小于 9.9（從數(shù)值大小比較，而不是把它當做日期或版本號對比）。它甚至給出了一些示例，幫助你理解數(shù)值排序的原理。
4. 0.1 + 0.2 等于多少？
別小看這道加法題，不少 AI 模型都曾在這里犯錯。浮點數(shù)在計算機內部的二進制表示并不精確，常常會出現(xiàn) 0.30000000000000004 之類的“經典錯誤”。
我用這個問題考 DeepSeek R-1，它給出的答案是 0.3，并沒有出現(xiàn)那些多余的浮點尾數(shù)。對于那些老是回答 0.30000000000000004 的模型來說，這道題是考察它們是否能識別并處理計算機浮點誤差的好方法。
為什么會出現(xiàn) 0.30000000000000004？
因為 0.1 和 0.2 在計算機中的二進制形式都無法精準表示，二者相加后再轉換回十進制，就會多出一點小誤差。
5. Alice 有四個兄弟，還有一個姐妹。Alice 的兄弟共有幾個姐妹？
很多人第一反應都是：Alice 自己就是一個姐妹？再加上另一個姐妹？于是結果是兄弟們有 2 個姐妹。但有些模型就會漏算，可能只算成 1 個姐妹。
DeepSeek R-1 給出的結論是正確的：每個兄弟都有 2 個姐妹（Alice 和那位額外的姐妹）。更有意思的是，DeepSeek R-1 還展示了它的推理過程，先理清家庭成員，再總結兄弟所擁有的姐妹數(shù)量。曾經 GPT-4o 之類的模型也可能在這種地方掉鏈子。
當然，目前 o1 配備了更好的推理能力，也可以答對，但這更說明在某些場景下，必須讓 AI 做“多步邏輯推理”來得到正確答案。
總結
DeepSeek R-1 在這 5 道小測試里都表現(xiàn)得非常出色，能給出正確答案并提供了清晰的解釋。從這些小測試可以看出，它確實具備一定的深層思考與推理能力。盡管它還無法宣稱要全面取代更成熟的商業(yè)大模型（像 o1 或 Claude 3.5），但這次測試結果證明它確實是個強有力的競爭者。
對那些在乎成本或喜歡開源方案的人來說，DeepSeek R-1 是個非常值得關注的模型，它用較低成本就能提供不錯的推理性能。
如果你也想測測自己最常用的聊天機器人或語言模型，不妨嘗試以上 5 個問題，看它們是不是能準確回答。或者，如果你還有更多讓 AI 容易出錯的題目，歡迎在評論里分享，讓我們一起看看這些模型到底能走多遠！
