今天是2025年02月07日，星期五，大年初十，北京，天气晴，降温的厉害。
我们今天来看看老刘说NLP技术社区第27讲线上交流以及昨日发生的一些有趣的事儿。
专题化，体系化，会有更多深度思考。大家一起加油。
一、老刘说NLP技术社区第27讲线上交流
最近Deepseek-R1受到广泛关注，开工这几天，大家大多数算法从业者都被其裹挟，开启部署以及场景脑洞等热潮，这其实引申出了许多误区。而加之这段时间的内容特别多，也特别乱，苦的是一线落地研发人员，感觉已经偏离了其技术本身的东西，所以，社区想着说，还是从技术根本逻辑出发，来看看里面的一些东西，以正视听。
因此，社区觉得，这个时间不能等了，还是需要尽快清理一下，所以，进行社区2025年社区第一讲，同时也是老刘说NLP技术社区第37讲，题目定为 《Deepseek R1类推理大模型的习得过程、认知误区、场景机会及技术风险》，分享针对社区成员进行，感兴趣的可以加入，加入方式见文末。
围绕这个四个点，我们首先来看看，Deepseek R1类推理大模型的习得过程，包括推理类大模型的范式变化、Deepseek R1论文通读等；
然后看看Deepseek R1类推理大模型的认知误区，现在这个的确信息很混乱，是新物种还是旧物种？有本质性范式变化？跟之前的模型有什么区别，这个需要了解。
技术本身，其实与我们大多数人无关，我们更多的是关注，其好不好用，能不能解决问题，所以还是要回到落地问题。所以，从其基本逻辑出发，我们可以看看Deepseek R1类推理大模型的场景机会，其作为一个多了一个think形式化过程以及推理能力略强的模型，其应用的支撑逻辑？适用场景有哪些，与2024年的RAG、Agent等又有哪些潜在的结合机会？
当然，机会是机会，机会与风险并存，其也必然存在着一些落地风险，如这几天所说的推理大模型普遍存在的幻觉问题，其推理延迟带来的时间成本问题，以及带来的逻辑诡辩陷阱，这其实都是加剧了一些落地风险。
我们以纯技术的角度来看待一个事物，总会更平静、更客观，并且能够更长期主义，我们需要有这种木桶原则，方能走的更远。
二、简单看昨日的一些有趣的事儿
我们再看相关进展，先说prompt的这个问题，DeepSeek-R1对Prompt非常敏感。few-shot提示会持续降低其性能。这里建议用户直接描述问题并指定输出格式（采用zero-shot，不要加示例），以获得最佳结果。但这是R1的问题，得改，所以可以等待R2 等后续的工作。但现在很多人说不需要提示词，这个是很难让人信服的。
另外，说到关于推理大模型的幻觉。Vectara 的机器学习团队对 DeepSeek 系列的两款模型进行了深入的幻觉测试，结果显示，DeepSeek-R1的幻觉率高达14.3%，显著高于其前身 DeepSeek-V3的3.9%。这表明，在增强推理的过程中，DeepSeek-R1产生了更多不准确或与原始信息不一致的内容。推理增强模型可能会比普通的大语言模型更容易产生幻觉。
这一现象在DeepSeek系列与其他推理增强模型的比较中表现得尤为明显。以 GPT 系列为例，推理增强的 GPT-o1与普通版 GPT-4o 之间的幻觉率差异，也验证了这一推测。https://www.vectara.com/blog/deepseek-r1-hallucinates-more-than-deepseek-v3。所以，不要想着用deepseek的思考就能省事；
当然，这种结论，其实都是相对的，而不是绝对的，这取决于大模型评估的方式和数据集。think过程，在具体业务场景，可能自相矛盾逻辑混乱，评测集只看answer，这些都是风险。
此外，昨日，Gemini 2.0系列全新发布三款模型：Flash、Pro和Flash-Lite，全部进入大模型竞技场前十;Gemini 2.0 Pro成为谷歌最强模型，具备200万tokens上下文窗口，在13项评测中获11项第一;Gemini 2.0 Flash-Lite针对成本优化，具备100万tokens长文本能力。
另外，关于OneGraph，http://onegraph.openkg.cn/，里面提到的知识图谱构建的几个大模型流程，感兴趣的可以留意下；
（文：老刘说NLP）