要說這兩天大模型圈的頂流話題，那絕對是非DeepSeek V3莫屬了。

不過在網(wǎng)友們紛紛測試之際，有個bug也成了熱議的焦點——

只是少了一個問號，DeepSeek V3竟然稱自己是ChatGPT。

甚至讓它講個笑話，生成的結(jié)果也是跟ChatGPT一樣：

加之DeepSeek V3這次爆火的一個亮點，就是訓練只花了557.6萬美元的成本。

于是乎，有人就開始懷疑了：它不會是在ChatGPT的輸出基礎上訓練的吧？

好巧不巧，Altman也發(fā)了一個狀態(tài)，似乎在暗諷著什么……

不過DeepSeek V3并非是第一個出現(xiàn)“報錯家門”的大模型。

例如Gemini就曾說過自己是百度的文心一言……

那么這到底是怎么一回事？

為什么DeepSeek V3報錯家門？

首先需要強調(diào)的一點是，從目前網(wǎng)友們整體討論的觀點來看，說DeepSeek V3是在ChatGPT輸出上訓練的可能性不大。

之所以這么說，正如網(wǎng)友Riley Goodside所總結(jié)的那樣——因為ChatGPT的影子無處不在。

即便DeepSeek V3故意用ChatGPT的輸出做了訓練，但這并不重要。所有在ChatGPT之后出現(xiàn)的大模型，幾乎都見過它。

例如ShareGPT，一個并不新鮮的ChatGPT對話數(shù)據(jù)集，許多人已經(jīng)嘗試在它和其它ChatGPT數(shù)據(jù)源上進行調(diào)整。但即便如此，也沒能出現(xiàn)DeepSeek V3級別的大模型。

緊接著，Riley Goodside又拿出了DeepSeek V3報告中的一些證據(jù)：

而且要是用了ChatGPT數(shù)據(jù)的話，有些關于DeepSeek V3質(zhì)量的問題是解釋不通的。

例如Pile測試（基礎模型壓縮Pile的效果），DeepSeek V3得分幾乎與Llama 3.1 405B相當，這跟它接沒接觸ChatGPT數(shù)據(jù)無關。

而且報告稱95%的GPU-hours用于預訓練基礎模型，即便是跟ChatGPT數(shù)據(jù)有關，那這部分也會在post-training階段發(fā)生（后5%）。

而比起用沒用ChatGPT數(shù)據(jù)，或許我們應當更加關注的是為什么大模型會頻繁出現(xiàn)“報錯家門”的問題。

TechCrunch針對這個問題給出了一句犀利的點評：

因為AI公司們獲取數(shù)據(jù)的地方——網(wǎng)絡，正在充斥著AI垃圾。

畢竟歐盟的一份報告曾預測，到2026年，90%的在線內(nèi)容可能是AI生成的。

這種“AI污染”就會讓“訓練數(shù)據(jù)徹底過濾AI的輸出”變得困難。

AI Now Institute的首席科學家Heidy Khlaaf則表示：

盡管存在風險，開發(fā)者依然被從現(xiàn)有AI模型中“蒸餾”知識所帶來的成本節(jié)約所吸引。

意外地在ChatGPT或GPT-4輸出上進行訓練的模型，也不一定會展示出讓人想起OpenAI定制消息的輸出。

那么現(xiàn)在對于網(wǎng)友們熱議的問題，量子位進行了一波實測，DeepSeek V3目前還沒有解決這個bug。

依舊是少了個問號，回答結(jié)果會不一樣：

DeepSeek V3更多玩法

不過有一說一，絕大部分網(wǎng)友對于DeepSeek V3的能力是給予了大大的肯定。

從各路AI大佬們集體直呼“優(yōu)雅”中就能印證這一點。

而就在這兩天，網(wǎng)友們陸續(xù)曬出了更多DeepSeek V3加持的實用玩法。

例如有網(wǎng)友拿DeepSeek V3和Claude Sonnet 3.5一決高下，在Scroll Hub中分別用它倆創(chuàng)建網(wǎng)站：

博主在測試之后，認為DeepSeek V3完全勝出！

還有網(wǎng)友分享了用DeepSeek V3在AI視頻編輯器中的體驗。

他表示以后不用再在FFMPEG命令上浪費時間了，DeepSeek V3不僅免費，還能改變你的工作流程：

AI編程神器Cursor也能跟DeepSeek V3結(jié)合，來看一個做貪吃蛇的案例：

嗯，DeepSeek V3是有點好用在身上的。

One More Thing

對于此前公布的53頁論文，也有網(wǎng)友關注到了一個非技術性的細節(jié)——

貢獻列表中，不僅展示了技術人員，還有數(shù)據(jù)注釋和商務等工作人員：

網(wǎng)友認為這種做法非常符合DeepSeek的調(diào)性：