DeepSeek V3 vs R1: Panduan dengan Contoh

Saat menggunakan aplikasi DeepSeek di ponsel atau desktop, kita mungkin bingung kapan harus memilih R1, yang juga dikenal sebagai DeepThink, dibandingkan model default V3 untuk tugas sehari-hari.

Bagi pengembang, tantangannya sedikit berbeda. Saat mengintegrasikan DeepSeek melalui API, tantangannya adalah menentukan model mana yang paling sesuai dengan kebutuhan proyek dan meningkatkan fungsionalitas.

Dalam blog ini, saya akan membahas aspek-aspek kunci dari kedua model agar pilihan Anda lebih mudah. Saya akan memberi contoh untuk menggambarkan bagaimana masing-masing model berperilaku dan berkinerja dalam situasi berbeda. Saya juga akan memberikan panduan keputusan yang dapat Anda gunakan untuk memilih antara DeepSeek-R1 dan DeepSeek-V3.

Kami terus memberi pembaca kabar terbaru seputar AI melalui The Median, buletin gratis tiap Jumat yang merangkum cerita-cerita utama pekan ini. Berlangganan dan tetap update hanya dalam beberapa menit setiap minggu:

Apa Itu DeepSeek-V3 dan DeepSeek-R1?

DeepSeek adalah startup AI asal Tiongkok yang mendapat perhatian internasional setelah mengembangkan DeepSeek-R1 dengan biaya jauh lebih rendah dibandingkan o1 milik OpenAI. Sama seperti OpenAI memiliki aplikasi ChatGPT yang kita kenal, DeepSeek juga memiliki chatbot serupa, dan hadir dengan dua model: DeepSeek-V3 dan DeepSeek-R1.

Apa itu DeepSeek-V3?

DeepSeek-V3 adalah model default saat kita berinteraksi dengan aplikasi DeepSeek. Ini adalah model bahasa berskala besar (LLM) serbaguna yang menonjol sebagai alat general-purpose yang dapat menangani berbagai tugas.

Model ini bersaing dengan model bahasa terkenal lainnya, seperti GPT-4o milik OpenAI. 

Salah satu fitur kunci DeepSeek-V3 adalah penggunaan pendekatan Mixture-of-Experts (MoE). Metode ini memungkinkan model memilih dari berbagai "pakar" untuk menjalankan tugas tertentu. Setelah Anda memberikan prompt, hanya bagian model yang paling relevan yang aktif untuk tugas tersebut, sehingga menghemat sumber daya komputasi sambil memberikan hasil yang presisi. Untuk mempelajari lebih lanjut, lihat posting blog tentang Mixture-of-Experts (MoE).

Intinya, DeepSeek-V3 adalah pilihan andal untuk sebagian besar tugas sehari-hari yang kita butuhkan dari sebuah LLM. Namun, seperti kebanyakan LLM, model ini bekerja dengan prediksi kata berikutnya, yang membatasi kemampuannya dalam menyelesaikan masalah yang memerlukan penalaran atau menghasilkan jawaban baru yang tidak secara implisit tersandikan dalam data pelatihan.

Apa itu DeepSeek-R1?

DeepSeek-R1 adalah model penalaran yang kuat, dibangun untuk menyelesaikan tugas yang membutuhkan penalaran tingkat lanjut dan pemecahan masalah mendalam. Model ini sangat andal untuk tantangan pemrograman yang melampaui sekadar memuntahkan kode yang sudah ribuan kali ditulis, serta untuk pertanyaan yang sarat logika.

Anggap saja ini sebagai pilihan utama saat tugas yang ingin Anda selesaikan menuntut operasi kognitif tingkat tinggi, serupa dengan penalaran di tingkat profesional atau ahli.

Kita mengaktifkannya dengan mengeklik tombol "DeepThink (R1)":

Yang membedakan DeepSeek-R1 adalah pemanfaatan khusus pembelajaran penguatan (reinforcement learning). Untuk melatih R1, DeepSeek membangun di atas fondasi yang diletakkan oleh V3, memanfaatkan kapabilitas luas dan ruang parameter besarnya. Mereka melakukan reinforcement learning dengan membiarkan model menghasilkan berbagai solusi untuk skenario pemecahan masalah. Sistem hadiah berbasis aturan kemudian digunakan untuk mengevaluasi ketepatan jawaban dan langkah penalaran. Pendekatan ini mendorong model menyempurnakan kemampuan penalarannya seiring waktu, secara efektif belajar mengeksplorasi dan mengembangkan jalur penalaran secara mandiri.

DeepSeek-R1 adalah pesaing langsung o1 milik OpenAI.

Salah satu perbedaan antara V3 dan R1 adalah saat mengobrol dengan R1, kita tidak langsung mendapat jawaban. Model terlebih dahulu menggunakan penalaran chain-of-thought untuk memikirkan masalahnya. Hanya setelah selesai berpikir, barulah model mulai menampilkan jawabannya.

Ini juga berarti bahwa, secara umum, R1 jauh lebih lambat daripada V3 dalam merespons, karena proses berpikirnya dapat memakan waktu beberapa menit untuk diselesaikan, seperti yang akan kita lihat pada contoh berikutnya.

Perbedaan Antara V3 dan R1

Mari kita bahas perbedaan antara DeepSeek-R1 dan DeepSeek-V3 berdasarkan berbagai aspek:

Kemampuan penalaran

DeepSeek-V3 tidak memiliki kemampuan penalaran. Seperti disebutkan, model ini bekerja sebagai prediktor kata berikutnya. Artinya, model dapat menjawab pertanyaan yang jawabannya tersandikan dalam data pelatihan.

Karena jumlah data yang digunakan untuk melatih model ini sangat besar, ia mampu menjawab pertanyaan tentang hampir semua topik. Seperti LLM lainnya, model ini unggul dalam percakapan yang terdengar natural dan kreativitas. Ini adalah model yang kita inginkan untuk menulis, membuat konten, atau menjawab pertanyaan umum yang kemungkinan besar sudah sering diselesaikan sebelumnya.

Sebaliknya, DeepSeek-R1 unggul dalam pemecahan masalah kompleks, logika, dan tugas penalaran langkah demi langkah. Model ini dirancang untuk menghadapi pertanyaan yang menantang dan memerlukan analisis menyeluruh serta solusi terstruktur. Saat menghadapi tantangan coding yang kompleks atau teka-teki logika yang mendetail, R1 adalah alat andalan.

Kecepatan dan efisiensi

DeepSeek-V3 diuntungkan dari arsitektur Mixture-of-Experts (MoE), memungkinkannya merespons lebih cepat dan efisien. Ini membuat V3 ideal untuk interaksi real-time di mana kecepatan krusial.

DeepSeek-R1 biasanya membutuhkan waktu lebih lama untuk menghasilkan respons, tetapi hal ini karena fokusnya pada jawaban yang lebih dalam dan terstruktur. Waktu ekstra digunakan untuk memastikan solusi yang komprehensif dan matang.

Memori dan penanganan konteks

Kedua model dapat menangani hingga 64.000 token input, tetapi DeepSeek-R1 sangat mahir menjaga logika dan konteks dalam interaksi panjang. Ini membuatnya cocok untuk tugas yang memerlukan penalaran berkelanjutan dan pemahaman lintas percakapan panjang atau proyek kompleks.

Terbaik untuk pengguna API

Bagi yang menggunakan API, DeepSeek-V3 menawarkan pengalaman interaksi yang lebih natural dan lancar. Kekuatan dalam bahasa dan percakapan membuat interaksi pengguna terasa halus dan menarik. 

Waktu respons R1 bisa menjadi masalah bagi banyak aplikasi, jadi saya menyarankan menggunakannya hanya saat benar-benar diperlukan.

Perlu dicatat bahwa nama model saat menggunakan API bukan V3 dan R1. Model V3 bernama deepseek-chat sedangkan R1 bernama deepseek-reasoner.

Perbedaan harga

Saat mempertimbangkan model mana yang akan digunakan, perlu dicatat bahwa V3 lebih murah daripada R1. Meskipun blog ini berfokus pada fungsionalitas, penting untuk mempertimbangkan biaya masing-masing model serta kebutuhan dan anggaran kita. Untuk detail biaya lebih lanjut, lihat dokumen harga API mereka.

DeepSeek-R1 vs. V3: Contoh dari DeepSeek Chat

Contoh 1: Tugas pemecahan masalah & logika

Mari bandingkan kemampuan penalaran kedua model dengan mengajukan pertanyaan berikut:

"Gunakan digit [0-9] untuk membuat tiga angka: x,y,z sehingga x+y=z"

Sebagai contoh, solusi yang mungkin adalah: x = 26, y = 4987, dan z = 5013. Ini menggunakan semua digit 0-9 dan x + y = z.

Saat kita menanyakan pertanyaan ini ke V3, model langsung menghasilkan jawaban panjang dan akhirnya tiba pada kesimpulan yang salah bahwa tidak ada solusi:

Di sisi lain, R1 dapat menemukan solusi setelah bernalar sekitar 5 menit:

Ini menunjukkan bahwa R1 lebih cocok untuk masalah yang memerlukan penalaran matematis karena pendekatan prediksi kata berikutnya seperti V3 jauh lebih kecil kemungkinannya untuk menempuh jalur yang benar kecuali banyak masalah serupa digunakan saat pelatihan model.

Contoh 2: Menulis kreatif

Sekarang, mari fokus pada penulisan kreatif. Mari minta kedua model untuk menulis cerita mikro tentang kesepian di tengah keramaian.

"Tulis sebuah cerita mikro tentang kesepian di tengah keramaian"

Berikut keluaran dari V3:

Kita langsung mendapat cerita yang sesuai tema. Kita bisa suka atau tidak, itu subjektif, tetapi jawabannya konsisten dengan permintaan.

Saat menggunakan penalaran, model bernalar untuk membuat cerita. Kita tidak akan menampilkan semua detailnya di sini, tetapi model memecah tugas menjadi langkah-langkah seperti:

• Pertama, saya harus menetapkan latar...
• Berikutnya, detail sensorik...
• Saya perlu menunjukkan keadaan batin mereka…
• Diakhiri dengan gambar yang menyentuh...
• Mari saya cek apakah semua elemen sudah tercakup...

Kita dapat melihat bahwa proses penciptaannya sangat terstruktur, dan itu bisa mengurangi kreativitas keluarannya.

Menurut saya, kita sebaiknya menggunakan R1 untuk tugas seperti ini hanya jika kita tertarik pada proses penalarannya, karena keluaran yang kita inginkan bukanlah sesuatu yang dihasilkan dari proses berpikir logis, melainkan dari proses kreatif.

Contoh 3: Bantuan pengkodean

Pada contoh ketiga ini, kami meminta DeepSeek membantu memperbaiki fungsi Python yang sedikit salah yang dimaksudkan untuk menyelesaikan masalah berikut:

"Orang-orang yang ikut lari kota harus menuliskan nama saat mulai dan mengakhiri lomba. Kita tahu persis satu orang tidak menyelesaikan lomba. Fungsi Python ini mencoba mencari nama orang tersebut tetapi tidak berfungsi. Perbaiki."

def find_person(names):
  freq = {}
  # Calculate the frequency of each name
  for name in names:
    if name not in freq:
      freq[name] = 0
      freq[name] += 1
  # Find the name that appears only once
  for name in names:
    if freq[name] == 1:
      return name
  return NoneDidukung oleh

Sebelum mengirimkannya ke AI, mari pahami apa yang salah dengan kodenya.

Karena setiap orang menuliskan namanya saat memulai dan menyelesaikan lomba, kode ini mencoba menyelesaikan masalah dengan mencari nama yang muncul hanya sekali. Setiap orang yang menyelesaikan lomba akan menulis namanya dua kali, sementara yang tidak menyelesaikan hanya menulis sekali. Namun, kode ini secara keliru mengasumsikan semua nama itu berbeda.

Jawaban yang benar bukanlah nama dengan frekuensi sama dengan 1, melainkan nama dengan frekuensi ganjil. Jadi solusinya adalah mengganti pemeriksaan pada for loop kedua dari freq[name] == 1: menjadi if freq[name] % 2 == 1 untuk menemukan nama dengan frekuensi ganjil.

Mari lihat bagaimana kedua model menghadapi masalah ini. Kami memberikan prompt berikut:

Berikut respons V3:

Model V3 gagal menemukan jawaban yang benar. Bukan hanya mengubah parameter masalah dengan memperkenalkan dua daftar input, solusi yang diberikan pun tidak akan berfungsi meski kita memiliki dua daftar yang berbeda.

Sebaliknya, R1 dapat menemukan masalah pada kode meskipun solusinya mengubah kode alih-alih memperbaiki kode yang diberikan:

Model ini cukup lambat dalam menemukan jawabannya. Terlihat bahwa ia bernalar hampir delapan menit. Bagian yang disorot menunjukkan saat model menyadari apa yang salah dengan kodenya.

Kapan Memilih DeepSeek-R1 vs. DeepSeek-V3

Memilih model yang tepat antara DeepSeek-R1 dan DeepSeek-V3 bergantung pada tujuan yang ingin Anda capai dengan tugas atau proyek Anda. 

Rekomendasi alur kerja umum saya untuk sebagian besar tugas adalah menggunakan V3 dan beralih ke R1 jika Anda terjebak dalam lingkaran di mana V3 tidak dapat menemukan jawaban. Namun, alur kerja ini mengasumsikan kita bisa mengidentifikasi apakah jawaban yang kita dapatkan benar. Tergantung masalahnya, kita mungkin tidak selalu bisa membedakannya.

Sebagai contoh, saat menulis skrip sederhana untuk meringkas data, kita bisa menjalankan kode dan melihat apakah kodenya melakukan apa yang kita inginkan. Namun, jika kita membangun algoritma yang kompleks, tidak semudah itu memverifikasi apakah kodenya benar.

Jadi, tetap penting memiliki beberapa pedoman untuk memilih di antara kedua model. Berikut panduan kapan memilih salah satunya:

Kesimpulan

DeepSeek V3 ideal untuk tugas sehari-hari seperti menulis, membuat konten, dan pertanyaan coding cepat, serta untuk membangun asisten AI di mana percakapan yang natural dan fasih menjadi kunci. Model ini juga cocok untuk tugas yang kualitas keluarannya bisa Anda evaluasi dengan cepat.

Namun, untuk tantangan kompleks yang menuntut penalaran mendalam, seperti riset, masalah pemrograman atau matematika yang rumit, atau percakapan pemecahan masalah yang panjang, DeepSeek R1 adalah pilihan yang lebih baik.

Untuk mempelajari lebih lanjut tentang DeepSeek, lihat juga blog berikut:

• Cara Menyiapkan dan Menjalankan DeepSeek-R1 Secara Lokal dengan Ollama
• Fine-Tuning DeepSeek R1
• Proyek Demo DeepSeek-R1 dengan Gradio dan EasyOCR
• DeepSeek vs. ChatGPT