DeepSeek V3 vs R1: Hướng dẫn kèm ví dụ

Khi dùng ứng dụng DeepSeek trên điện thoại hoặc máy tính, đôi lúc chúng ta không chắc nên chọn R1 (còn gọi là DeepThink) khi nào so với mô hình mặc định V3 cho các tác vụ hàng ngày.

Với nhà phát triển, thách thức lại khác đôi chút. Khi tích hợp DeepSeek qua API, bài toán là xác định mô hình nào phù hợp hơn với yêu cầu dự án và tăng cường chức năng.

Trong bài viết này, tôi sẽ trình bày những khía cạnh chính của cả hai mô hình để giúp bạn lựa chọn dễ dàng hơn. Tôi sẽ đưa ví dụ minh họa cách mỗi mô hình hành xử và thể hiện trong các tình huống khác nhau. Tôi cũng cung cấp một hướng dẫn ra quyết định để bạn chọn giữa DeepSeek-R1 và DeepSeek-V3.

Chúng tôi luôn cập nhật cho độc giả những điều mới nhất trong AI qua The Median, bản tin miễn phí mỗi thứ Sáu tóm lược các câu chuyện nổi bật trong tuần. Đăng ký để không bỏ lỡ, chỉ mất vài phút mỗi tuần:

DeepSeek-V3 và DeepSeek-R1 là gì?

DeepSeek là một startup AI Trung Quốc thu hút sự chú ý quốc tế sau khi phát triển DeepSeek-R1 với chi phí thấp hơn nhiều so với o1 của OpenAI. Giống như OpenAI có ứng dụng ChatGPT mà chúng ta đều biết, DeepSeek cũng có chatbot tương tự với hai mô hình: DeepSeek-V3 và DeepSeek-R1.

DeepSeek-V3 là gì?

DeepSeek-V3 là mô hình mặc định khi chúng ta tương tác với ứng dụng DeepSeek. Đây là một mô hình ngôn ngữ lớn (LLM) linh hoạt, nổi bật như một công cụ đa năng có thể xử lý dải nhiệm vụ rộng.

Mô hình này cạnh tranh với các mô hình ngôn ngữ nổi tiếng khác như GPT-4o của OpenAI. 

Một trong những điểm nổi bật của DeepSeek-V3 là cách tiếp cận Mixture-of-Experts (MoE). Phương pháp này cho phép mô hình chọn từ các “chuyên gia” khác nhau để thực hiện tác vụ cụ thể. Sau khi bạn đưa ra lời nhắc, chỉ phần liên quan nhất của mô hình được kích hoạt cho tác vụ đó, giúp tiết kiệm tài nguyên tính toán đồng thời mang lại kết quả chính xác. Để tìm hiểu thêm, hãy xem bài viết về Mixture-of-Experts (MoE).

Tóm lại, DeepSeek-V3 là lựa chọn đáng tin cậy cho hầu hết các tác vụ thường ngày mà ta kỳ vọng ở một LLM. Tuy nhiên, giống đa số LLM, nó hoạt động dựa trên dự đoán từ kế tiếp, hạn chế khả năng giải các bài toán đòi hỏi lý luận hoặc đưa ra câu trả lời mới không được mã hóa trong dữ liệu huấn luyện.

DeepSeek-R1 là gì?

DeepSeek-R1 là mô hình lý luận mạnh mẽ được xây dựng để giải quyết các tác vụ đòi hỏi suy luận nâng cao và giải quyết vấn đề sâu. Nó hoạt động rất tốt cho các thử thách lập trình vượt ra ngoài việc nhai lại đoạn mã đã được viết hàng nghìn lần và cho các câu hỏi nặng về logic.

Hãy coi đây là lựa chọn ưu tiên khi nhiệm vụ bạn muốn giải quyết đòi hỏi các thao tác nhận thức cấp cao, tương tự tư duy ở mức chuyên gia.

Chúng ta kích hoạt nó bằng cách nhấp nút "DeepThink (R1)":

Điểm khác biệt của DeepSeek-R1 là cách ứng dụng đặc biệt của học tăng cường. Để huấn luyện R1, DeepSeek xây trên nền tảng V3, tận dụng năng lực rộng và không gian tham số lớn của nó. Họ thực hiện học tăng cường bằng cách cho mô hình tạo ra nhiều lời giải cho các kịch bản giải quyết vấn đề. Hệ thống thưởng dựa trên luật được dùng để đánh giá tính đúng đắn của câu trả lời và các bước suy luận. Cách tiếp cận này khuyến khích mô hình tinh luyện khả năng suy luận theo thời gian, hiệu quả học cách khám phá và phát triển các lộ trình suy luận một cách tự chủ.

DeepSeek-R1 là đối thủ trực tiếp của o1 từ OpenAI.

Một khác biệt giữa V3 và R1 là khi trò chuyện với R1, chúng ta không nhận được phản hồi ngay lập tức. Mô hình trước hết sử dụng suy luận theo chuỗi suy nghĩ (chain-of-thought) để cân nhắc vấn đề. Chỉ khi hoàn tất quá trình suy nghĩ, nó mới bắt đầu xuất ra câu trả lời.

Điều này cũng có nghĩa là nhìn chung R1 chậm hơn V3 nhiều trong việc phản hồi, vì quá trình suy nghĩ có thể mất vài phút để hoàn tất, như chúng ta sẽ thấy ở các ví dụ sau.

Khác biệt giữa V3 và R1

Hãy điểm qua sự khác nhau giữa DeepSeek-R1 và DeepSeek-V3 dựa trên nhiều khía cạnh:

Khả năng suy luận

DeepSeek-V3 không có khả năng suy luận. Như đã nói, nó hoạt động như một bộ dự đoán từ tiếp theo. Điều này có nghĩa là nó có thể trả lời các câu hỏi mà đáp án đã được mã hóa trong dữ liệu huấn luyện.

Do lượng dữ liệu huấn luyện của các mô hình này rất lớn, nó có thể trả lời gần như mọi chủ đề. Giống các LLM khác, nó xuất sắc trong đối thoại tự nhiên và tính sáng tạo. Đây là mô hình chúng ta muốn dùng để tạo nội dung, sáng tác, hoặc trả lời các câu hỏi chung đã có lời giải nhiều lần.

Ngược lại, DeepSeek-R1 tỏa sáng ở các tác vụ giải quyết vấn đề phức tạp, logic và suy luận theo từng bước. Nó được thiết kế để xử lý các truy vấn khó, đòi hỏi phân tích kỹ lưỡng và lời giải có cấu trúc. Khi đối mặt với thử thách lập trình phức tạp hoặc câu đố logic chi tiết, R1 là công cụ đáng tin cậy.

Tốc độ và hiệu suất

DeepSeek-V3 hưởng lợi từ kiến trúc Mixture-of-Experts (MoE), giúp phản hồi nhanh và hiệu quả hơn. Điều này khiến V3 lý tưởng cho tương tác thời gian thực nơi tốc độ là then chốt.

DeepSeek-R1 thường mất nhiều thời gian hơn để tạo phản hồi, nhưng đó là vì nó tập trung cung cấp câu trả lời sâu và có cấu trúc. Thời gian bổ sung được dùng để đảm bảo lời giải toàn diện và được suy nghĩ kỹ.

Ghi nhớ và xử lý ngữ cảnh

Cả hai mô hình có thể xử lý đến 64.000 token đầu vào, nhưng DeepSeek-R1 đặc biệt giỏi duy trì logic và ngữ cảnh trong các tương tác dài. Điều này khiến nó phù hợp cho các tác vụ đòi hỏi suy luận liên tục và thấu hiểu xuyên suốt các cuộc hội thoại kéo dài hoặc dự án phức tạp.

Tốt nhất cho người dùng API

Với những ai dùng API, DeepSeek-V3 mang lại trải nghiệm tương tác tự nhiên và mượt mà hơn. Thế mạnh về ngôn ngữ và hội thoại giúp tương tác người dùng trôi chảy và hấp dẫn. 

Thời gian phản hồi của R1 có thể là vấn đề với nhiều ứng dụng, nên tôi khuyến nghị chỉ dùng khi thật sự cần thiết.

Lưu ý tên mô hình khi dùng API không phải V3 và R1. Mô hình V3 có tên deepseek-chat còn R1 là deepseek-reasoner.

Khác biệt về giá

Khi cân nhắc mô hình nào để dùng, cần lưu ý V3 rẻ hơn R1. Dù bài viết tập trung vào chức năng, điều quan trọng là cân đối chi phí của mỗi mô hình với nhu cầu và ngân sách cụ thể. Xem thêm chi tiết chi phí tại tài liệu giá API của họ.

DeepSeek-R1 vs. V3: Ví dụ từ DeepSeek Chat

Ví dụ 1: Bài toán giải quyết vấn đề & nhiệm vụ logic

Hãy so sánh khả năng suy luận của hai mô hình bằng câu hỏi sau:

"Dùng các chữ số [0-9] để tạo ba số: x,y,z sao cho x+y=z"

Ví dụ, một lời giải có thể là: x = 26, y = 4987, và z = 5013. Dùng đủ các chữ số 0-9 và x + y = z.

Khi hỏi V3, nó lập tức tạo ra câu trả lời dài và cuối cùng đi đến kết luận sai rằng không có lời giải:

Ngược lại, R1 có thể tìm được lời giải sau khoảng 5 phút suy luận:

Điều này cho thấy R1 phù hợp hơn với bài toán cần suy luận toán học, vì một mô hình dự đoán từ tiếp theo như V3 khó đi đúng hướng trừ khi đã được huấn luyện với rất nhiều bài toán tương tự.

Ví dụ 2: Sáng tác

Giờ chuyển sang sáng tác. Hãy yêu cầu cả hai mô hình viết một truyện siêu ngắn về cảm giác cô đơn giữa đám đông.

"Viết một truyện siêu ngắn về nỗi cô đơn giữa đám đông"

Đây là đầu ra từ V3:

Chúng ta nhận ngay một câu chuyện phù hợp chủ đề. Có thích hay không là cảm nhận cá nhân, nhưng câu trả lời phù hợp với yêu cầu.

Khi dùng mô hình suy luận, mô hình sẽ lý luận để tạo câu chuyện. Chúng tôi không trình bày hết chi tiết, nhưng nó phân rã nhiệm vụ thành các bước như:

• Đầu tiên, tôi nên thiết lập bối cảnh...
• Tiếp theo, chi tiết giác quan...
• Tôi cần thể hiện trạng thái nội tâm của nhân vật…
• Kết thúc bằng một hình ảnh đắt giá...
• Để tôi kiểm tra đã bao quát đủ yếu tố chưa...

Ta thấy quá trình sáng tác rất có cấu trúc, điều này có thể làm giảm tính sáng tạo của đầu ra.

Theo tôi, chỉ nên dùng R1 cho dạng nhiệm vụ này nếu chúng ta quan tâm đến quá trình suy luận, vì đầu ra mong muốn không xuất phát từ tư duy logic mà là từ sự sáng tạo.

Ví dụ 3: Hỗ trợ viết mã

Trong ví dụ thứ ba, chúng tôi yêu cầu DeepSeek giúp sửa một hàm Python sai nhẹ, nhằm giải quyết bài toán sau:

"Những người tham gia chạy bộ trong thành phố phải ghi tên khi bắt đầu và khi kết thúc cuộc đua. Chúng ta biết chính xác có một người không về đích. Hàm Python này cố gắng tìm tên người đó nhưng không hoạt động. Hãy sửa nó."

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 NoneĐược hỗ trợ bởi

Trước khi gửi cho AI, hãy hiểu đoạn mã sai ở đâu.

Vì mỗi người ghi tên khi bắt đầu và khi kết thúc, đoạn mã này cố gắng giải bằng cách tìm tên xuất hiện đúng một lần. Mỗi người hoàn thành cuộc đua sẽ ghi tên hai lần, còn người không hoàn thành chỉ ghi một lần. Tuy nhiên, mã này giả định sai rằng tất cả tên đều là duy nhất.

Đáp án đúng không phải tên có tần suất bằng 1 mà là tên có tần suất lẻ. Vì vậy, lời giải là thay vòng lặp for thứ hai, kiểm tra freq[name] == 1: bằng if freq[name] % 2 == 1 để tìm tên có tần suất lẻ.

Hãy xem hai mô hình xử lý bài này ra sao. Chúng tôi đưa ra lời nhắc sau:

Đây là phản hồi của V3:

Mô hình V3 không tìm được đáp án đúng. Nó không chỉ thay đổi tham số bài toán bằng cách đưa thêm hai danh sách đầu vào, mà lời giải đưa ra cũng không hoạt động ngay cả khi có hai danh sách riêng biệt.

Trái lại, R1 tìm ra vấn đề trong mã, dù lời giải của nó là viết lại thay vì sửa trực tiếp đoạn mã đã cho:

Mô hình khá chậm để tìm ra câu trả lời. Ta thấy nó suy luận gần tám phút. Phần được tô sáng cho thấy thời điểm mô hình nhận ra mã sai ở đâu.

Khi nào chọn DeepSeek-R1 và khi nào chọn DeepSeek-V3

Việc chọn đúng mô hình giữa DeepSeek-R1 và DeepSeek-V3 phụ thuộc vào mục tiêu bạn muốn đạt được với tác vụ hay dự án. 

Quy trình tôi khuyến nghị chung cho hầu hết tác vụ là dùng V3 trước và chuyển sang R1 nếu bạn rơi vào vòng lặp mà V3 không tìm ra câu trả lời. Tuy nhiên, quy trình này giả định rằng chúng ta có thể xác định câu trả lời nhận được là đúng hay sai. Tùy bài toán, không phải lúc nào ta cũng phân biệt được.

Ví dụ, khi viết một script đơn giản để tóm tắt dữ liệu, ta có thể chạy mã và xem có đúng ý không. Tuy nhiên, nếu xây dựng một thuật toán phức tạp, việc xác minh tính đúng đắn của mã không hề đơn giản.

Vì vậy, vẫn quan trọng khi có một số hướng dẫn để chọn giữa hai mô hình. Dưới đây là gợi ý khi nào nên chọn mô hình nào:

Kết luận

DeepSeek V3 lý tưởng cho các tác vụ thường ngày như viết lách, tạo nội dung và các câu hỏi lập trình nhanh, cũng như xây dựng trợ lý AI nơi hội thoại tự nhiên, trôi chảy là chìa khóa. Nó cũng phù hợp cho các tác vụ mà bạn có thể nhanh chóng đánh giá chất lượng đầu ra.

Tuy nhiên, với các thử thách phức tạp đòi hỏi suy luận sâu như nghiên cứu, các bài toán lập trình hoặc toán học tinh vi, hay những cuộc trao đổi kéo dài để giải quyết vấn đề, DeepSeek R1 là lựa chọn tốt hơn.

Để tìm hiểu thêm về DeepSeek, hãy xem các bài viết sau:

• Cách thiết lập và chạy DeepSeek-R1 cục bộ với Ollama
• Fine-tuning DeepSeek R1
• Dự án demo DeepSeek-R1 với Gradio và EasyOCR
• DeepSeek vs. ChatGPT