Token饥饿但精确：DeepSeek R1凸显数学问题中多步推理优于速度的需求

本研究调查了DeepSeek R1语言模型在来自MATH数据集的30个具有挑战性的数学问题上的表现，这些问题先前被证明其他模型在时间限制下无法解决。与以往工作不同，本研究移除了时间限制，以探索DeepSeek R1的架构（以其依赖基于token的推理而闻名）能否通过多步过程实现精确解。该研究将DeepSeek R1与其他四个模型（gemini-1.5-flash-8b、gpt-4o-mini-2024-07-18、llama3.1:8b和mistral-8b-latest）在11个温度设置下进行了比较。结果表明，DeepSeek R1在这些复杂问题上实现了卓越的准确性，但生成的token数量显著多于其他模型，证实了其token密集型方法。这些发现凸显了大型语言模型在数学问题求解中准确性与效率之间的权衡：虽然DeepSeek R1在准确性上表现出色，但其对大量token生成的依赖可能不适用于需要快速响应的应用。该研究强调了在选择LLM时考虑任务特定需求的重要性，并强调了温度设置在优化性能中的作用。