DeepSeek V3 vs R1: una guida con esempi

Quando usiamo l’app DeepSeek sul telefono o sul desktop, potremmo non sapere bene quando scegliere R1, noto anche come DeepThink, rispetto al modello predefinito V3 per le attività di tutti i giorni.

Per gli sviluppatori, la sfida è un po’ diversa. Quando si integra DeepSeek tramite API, la questione è capire quale modello si allinea meglio ai requisiti del progetto e ne potenzia le funzionalità.

In questo blog, tratterò gli aspetti chiave di entrambi i modelli per aiutarti a semplificare queste scelte. Fornirò esempi per illustrare come ciascun modello si comporta in situazioni diverse. Ti darò anche una guida decisionale da usare per scegliere tra DeepSeek-R1 e DeepSeek-V3.

Teniamo aggiornatə i lettori sulle ultime novità dell’AI inviando The Median, la nostra newsletter gratuita del venerdì che riassume le storie chiave della settimana. Iscriviti e resta sul pezzo in pochi minuti a settimana:

Cosa sono DeepSeek-V3 e DeepSeek-R1?

DeepSeek è una startup cinese di AI che ha ottenuto attenzione internazionale dopo aver sviluppato DeepSeek-R1 a un costo molto inferiore rispetto a o1 di OpenAI. Così come OpenAI ha l’app ChatGPT che conosciamo tutti, anche DeepSeek ha un chatbot simile, con due modelli: DeepSeek-V3 e DeepSeek-R1.

Che cos’è DeepSeek-V3?

DeepSeek-V3 è il modello predefinito quando interagiamo con l’app DeepSeek. È un large language model (LLM) versatile che si distingue come strumento generico capace di gestire un’ampia gamma di compiti.

Questo modello compete con altri modelli linguistici noti, come GPT-4o di OpenAI. 

Una caratteristica chiave di DeepSeek-V3 è l’approccio Mixture-of-Experts (MoE). Questo metodo consente al modello di scegliere tra diversi "esperti" per svolgere compiti specifici. Dopo aver fornito il prompt, solo la parte più pertinente del modello si attiva per quel compito, risparmiando risorse computazionali e offrendo risultati precisi. Per saperne di più, dai un’occhiata a questo post sul Mixture-of-Experts (MoE).

In sostanza, DeepSeek-V3 è una scelta affidabile per la maggior parte delle attività quotidiane che richiediamo a un LLM. Tuttavia, come la maggior parte degli LLM, funziona tramite la previsione della parola successiva, il che limita la capacità di risolvere problemi che richiedono ragionamento o di produrre risposte nuove che non siano in qualche modo codificate nei dati di training.

Che cos’è DeepSeek-R1?

DeepSeek-R1 è un potente modello di ragionamento pensato per risolvere compiti che richiedono ragionamento avanzato e problem solving profondo. È ottimo per sfide di coding che vanno oltre il rigurgitare codice già scritto migliaia di volte e per domande molto logiche.

Pensalo come la tua opzione di riferimento quando il compito da risolvere richiede operazioni cognitive di alto livello, simili a un ragionamento professionale o da esperto.

Lo attiviamo cliccando il pulsante "DeepThink (R1)":

Ciò che distingue DeepSeek-R1 è l’uso particolare del reinforcement learning. Per addestrare R1, DeepSeek è partita dalle basi poste da V3, sfruttandone le ampie capacità e il grande spazio di parametri. Hanno eseguito reinforcement learning lasciando che il modello generasse varie soluzioni per scenari di problem solving. Un sistema di ricompense basato su regole è stato poi usato per valutare la correttezza delle risposte e dei passaggi di ragionamento. Questo approccio ha incoraggiato il modello a perfezionare nel tempo le sue capacità di ragionamento, imparando di fatto a esplorare e sviluppare percorsi di ragionamento in modo autonomo.

DeepSeek-R1 è un concorrente diretto di o1 di OpenAI.

Una differenza tra V3 e R1 è che, quando chattiamo con R1, non otteniamo subito una risposta. Il modello prima usa il ragionamento chain-of-thought per riflettere sul problema. Solo quando ha finito di pensare inizia a fornire la risposta.

Questo significa anche che, in generale, R1 è molto più lento di V3 nel rispondere, perché il processo di pensiero può richiedere diversi minuti, come vedremo nei prossimi esempi.

Differenze tra V3 e R1

Vediamo le differenze tra DeepSeek-R1 e DeepSeek-V3 in base a vari aspetti:

Capacità di ragionamento

DeepSeek-V3 non ha capacità di ragionamento. Come detto, funziona come un predittore della parola successiva. Ciò significa che può rispondere a domande le cui risposte sono codificate nei dati di training.

Poiché la quantità di dati usata per addestrare questi modelli è enorme, è in grado di rispondere a domande su quasi qualsiasi argomento. Come altri LLM, eccelle nella conversazione naturale e nella creatività. È il modello che vogliamo per scrivere testi, creare contenuti o rispondere a domande generiche che probabilmente sono già state risolte molte volte.

DeepSeek-R1, invece, dà il meglio nella risoluzione di problemi complessi, nella logica e nei compiti che richiedono ragionamento passo-passo. È progettato per affrontare quesiti impegnativi che richiedono analisi approfondite e soluzioni strutturate. Di fronte a sfide di coding complesse o a rompicapi logici dettagliati, R1 è lo strumento su cui contare.

Velocità ed efficienza

DeepSeek-V3 beneficia dell’architettura Mixture-of-Experts (MoE), che gli consente di rispondere in modo più rapido ed efficiente. Questo rende V3 ideale per interazioni in tempo reale in cui la velocità è cruciale.

DeepSeek-R1 in genere impiega un po’ più tempo a generare risposte, ma è perché punta a fornire risposte più profonde e strutturate. Il tempo extra serve a garantire soluzioni complete e ben ponderate.

Gestione della memoria e del contesto

Entrambi i modelli possono gestire fino a 64.000 token di input, ma DeepSeek-R1 è particolarmente abile nel mantenere logica e contesto durante interazioni lunghe. Questo lo rende adatto a compiti che richiedono ragionamento sostenuto e comprensione lungo conversazioni estese o progetti complessi.

Il migliore per chi usa l’API

Per chi usa l’API, DeepSeek-V3 offre un’esperienza di interazione più naturale e fluida. La sua forza nel linguaggio e nella conversazione rende le interazioni con gli utenti scorrevoli e coinvolgenti. 

Il tempo di risposta di R1 può essere un problema per molte applicazioni, quindi consiglio di usarlo solo quando è strettamente necessario.

Nota che i nomi dei modelli quando usi l’API non sono V3 e R1. Il modello V3 si chiama deepseek-chat mentre R1 si chiama deepseek-reasoner.

Differenze di prezzo

Quando valuti quale modello usare, vale la pena notare che V3 è più economico di R1. Anche se questo blog si focalizza sulla funzionalità, è importante soppesare i costi associati a ciascun modello rispetto alle nostre esigenze e al budget. Per maggiori dettagli sui costi, consulta la documentazione dei prezzi dell’API.

DeepSeek-R1 vs. V3: esempi da DeepSeek Chat

Esempio 1: Problem solving e compiti logici

Confrontiamo la capacità di ragionamento dei due modelli ponendo la seguente domanda:

"Usa le cifre [0-9] per creare tre numeri: x,y,z in modo che x+y=z"

Ad esempio, una soluzione possibile è: x = 26, y = 4987 e z = 5013. Usa tutte le cifre 0-9 e x + y = z.

Quando poniamo questa domanda a V3, inizia subito a produrre una risposta lunga e, alla fine, giunge all’errata conclusione che non esiste soluzione:

R1, invece, trova una soluzione dopo circa 5 minuti di ragionamento:

Questo mostra che R1 è più adatto a un problema che richiede ragionamento matematico, perché un modello basato sulla previsione della parola successiva come V3 ha molte meno probabilità di imboccare la strada giusta, a meno che problemi simili non siano stati usati in gran numero durante l’addestramento.

Esempio 2: Scrittura creativa

Ora concentriamoci sulla scrittura creativa. Chiediamo a entrambi i modelli di scrivere una microstoria sulla solitudine in mezzo alla folla.

"Scrivi una microstoria sulla solitudine in mezzo alla folla"

Ecco l’output di V3:

Otteniamo immediatamente una storia adatta al tema. Può piacerci o meno, è soggettivo, ma la risposta è coerente con la richiesta.

Quando usa il ragionamento, il modello riflette per creare la storia. Non mostreremo qui tutti i dettagli, ma ha scomposto il compito in passaggi come:

• Prima dovrei impostare la scena...
• Poi, dettagli sensoriali...
• Devo mostrare il loro stato interiore…
• Concludere con un’immagine toccante...
• Controlliamo se sto coprendo tutti gli elementi...

Si vede che il processo creativo è molto strutturato, e questo può ridurre la creatività dell’output.

Penso che dovremmo usare R1 per questo tipo di compito solo se ci interessa il processo di ragionamento, perché l’output che vogliamo non deriva da un processo di pensiero logico ma da uno creativo.

Esempio 3: Assistenza al coding

In questo terzo esempio, abbiamo chiesto a DeepSeek di aiutare a correggere una funzione Python leggermente errata pensata per risolvere il seguente problema:

"Le persone che partecipano a una corsa in città devono scrivere il proprio nome all’inizio e alla fine della gara. Sappiamo che esattamente una persona non ha finito la gara. Questa funzione Python cerca di trovare il nome di quella persona ma non funziona. Correggila."

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 NoneOfferto da

Prima di inviarla all’AI, capiamo cosa non va nel codice.

Poiché ogni persona scrive il proprio nome quando inizia e quando finisce la gara, questo codice prova a risolvere il problema trovando il nome che compare una sola volta. Chi completa la gara scriverà il proprio nome due volte, mentre chi non la completa lo scrive una volta sola. Tuttavia, questo codice presume erroneamente che tutti i nomi siano distinti.

La risposta corretta non è il nome con frequenza pari a 1, ma il nome con frequenza dispari. Quindi la soluzione è sostituire il controllo nel secondo ciclo for da freq[name] == 1: a if freq[name] % 2 == 1 per trovare il nome con frequenza dispari.

Vediamo come se la cavano i due modelli con questo problema. Abbiamo fornito il seguente prompt:

Ecco la risposta di V3:

Il modello V3 non trova la risposta corretta. Non solo cambia i parametri del problema introducendo due liste di input, ma la soluzione proposta non funzionerebbe nemmeno avendo due liste distinte.

Al contrario, R1 riesce a individuare il problema del codice, anche se la sua soluzione modifica il codice invece di correggere quello fornito:

Il modello è stato piuttosto lento nel trovare la risposta. Si vede che ha ragionato per quasi otto minuti. La parte evidenziata mostra quando il modello ha capito cosa non andava nel codice.

Quando scegliere DeepSeek-R1 vs. DeepSeek-V3

La scelta tra DeepSeek-R1 e DeepSeek-V3 dipende da ciò che vuoi ottenere con i tuoi compiti o progetti. 

Il mio flusso di lavoro generale consigliato per la maggior parte dei compiti è usare V3 e passare a R1 se entri in un loop in cui V3 non riesce a trovare una risposta. Tuttavia, questo flusso presume che possiamo capire se la risposta ottenuta è corretta. A seconda del problema, potremmo non essere sempre in grado di fare questa distinzione.

Per esempio, quando scriviamo uno script semplice che riassume dei dati, possiamo eseguire il codice e vedere se fa ciò che vogliamo. Ma se stiamo costruendo un algoritmo complesso, non è così semplice verificare che il codice sia corretto.

Quindi, è comunque importante avere alcune linee guida per scegliere tra i due modelli. Ecco una guida su quando optare per l’uno o per l’altro:

Conclusione

DeepSeek V3 è ideale per compiti quotidiani come scrittura, creazione di contenuti e domande rapide di coding, oltre che per creare assistenti AI dove è fondamentale una conversazione naturale e fluida. È ottimo anche per compiti in cui puoi valutare rapidamente la qualità dell’output.

Tuttavia, per sfide complesse che richiedono ragionamento profondo, come ricerca, problemi intricati di coding o matematica, o conversazioni estese di problem solving, DeepSeek R1 è la scelta migliore.

Per saperne di più su DeepSeek, dai un’occhiata anche a questi blog:

• Come configurare ed eseguire DeepSeek-R1 in locale con Ollama
• Fine-tuning di DeepSeek R1
• Progetto demo DeepSeek-R1 con Gradio ed EasyOCR
• DeepSeek vs. ChatGPT