OpenAI是第一個引入O1和O1-Mini等推理模型的人，但這是遊戲中唯一的玩家嗎？不遠射！ DeepSeek，Qwen和現(xiàn)在的Kimi等中國LLM正在加緊挑戰(zhàn)OpenAI，以更實惠的價格提供類似的能力。在DeepSeek令人印象深刻的首次亮相之後，Kimi Ai的新型Kimi K1.5型號輪到了。在本文中，我們將在同一任務(wù)上測試Kimi K1.5針對Openai O1，並查看哪個更好！

>

>什麼是kimi k1.5？ Web搜索
• 任務(wù)5：圖像分析
• 最終結(jié)果：kimi k1.5 vs openai o1
結(jié)論
• 請注意：
請注意：Kimi K1.5是免費的，同時訪問O1和O1-Mini的Chatgpt Plus的費用為20美元。在研究任務(wù)之前，讓我們比較兩種型號。
• >
什麼是kimi k1.5？
• Kimi K1.5是Moonshot AI的多模式LLM，接受了增強學(xué)習（RL）的訓(xùn)練，旨在在文本，視覺和編碼的各種推理任務(wù)中表現(xiàn)出色。 Kimi K1.5最近推出，由於其令人印象深刻的性能而迅速引起了人們的關(guān)注，與OpenAI的O1型號的功能相匹配而沒有預(yù)覽或迷你後綴。
>
• 鍵功能
>無限用法完全免費

>可輕鬆分析多達50個文件（PDF，DOC，PPTS，圖像） 高級COT推理，無需提供

增強的圖像理解，超越基本文本提取

openai o1：OpenAI的新型號系列
o1-mini：一種改變遊戲的詞乾和推理模型
• >
• kimi k1.5 vs Openai O1和O1-Mini
• Kimi K1.5在長期任務(wù)中匹配OpenAI的O1和O1-Mini，並且在短件任務(wù)中優(yōu)於GPT-4O和Claude Sonnet 3.5。它的多模式功能，尤其是在視覺推理中，它將其作為OpenAI模型的強大競爭對手。 RL培訓(xùn)技術(shù)，多模式數(shù)據(jù)配方和基礎(chǔ)設(shè)施優(yōu)化的使用在實現(xiàn)這些結(jié)果方面一直是關(guān)鍵的。

  k1.5長期模型：推進多模式推理

  > kimi k1.5長距離模型通過長篇小說縮放，改進的策略優(yōu)化方法和視覺文本增強學(xué)習（RL）的結(jié)合來實現(xiàn)最新的（SOTA）性能。與傳統(tǒng)的語言模型預(yù)處理不同，該模型依賴於下一步的預(yù)測，並且受到可用培訓(xùn)數(shù)據(jù)的限制，Kimi K1.5利用RL通過學(xué)習獎勵來探索探索的培訓(xùn)數(shù)據(jù)來擴展其培訓(xùn)數(shù)據(jù)。這種方法建立了一個簡單而有效的RL框架，避免了諸如蒙特卡洛樹搜索或價值功能之類的複雜技術(shù)。

  鍵基準強調(diào)了該模型的出色性能：

  >數(shù)學(xué)推理
  • ：Math-500上的96.2和Aime 2024上的77.5分數(shù)，與OpenAI的O1和O1-Mini型號匹配。
  編程
  • ：代碼方面的第94個百分位數(shù)，在競爭性編程方面表現(xiàn)出色。
  視覺推理
  • ：74.9在Mathvista上，展示了強大的多模式集成。
  >該模型處理長篇小說任務(wù)（例如計劃，反思和校正）的能力通過培訓(xùn)期間的部分推出，提高效率和性能。
  k1.5縮短型號：效率和性能
  使用有效的long2short方法將長密碼模型的成功構(gòu)建在長密度模型的成功基礎(chǔ)上，以將長密度技術(shù)提煉成更有效的框架。這種方法結(jié)合了微調(diào)，增強學(xué)習和遠程蒸餾，為短篇小說任務(wù)提供了快速而準確的推理。

  值得注意的成就包括：

  數(shù)學(xué)推理
  ：在數(shù)學(xué)500上的94.6和Aime 2024上的60.8得分，表現(xiàn)優(yōu)於現(xiàn)有的短型型號，例如GPT-4O和Claude Sonnet 3.5，最高可達550％。
  • 編程：47.3在LiveCodeBench上，在代碼生成和調(diào)試任務(wù)方面出色。
  • 自然語言理解：對諸如聊天機器人和虛擬助手等實時應(yīng)用程序有效。
  >
  • >遠程蒸餾技術(shù)，包括模型合併和最短拒絕採樣，確保通過降低的計算成本來確保高性能，從而使短點模型高效。 要知道更多您可以在這裡結(jié)帳他們的研究論文！
  >
  現(xiàn)在，讓我們在同一提示中評估Kimi K1.5和OpenAI O1！

  任務(wù)1：斑馬拼圖

  提示：
  >正確求解了這個斑馬拼圖。

  openai O1響應(yīng)：

  Collector Position	Nationality	Lot	Amount Spent	Shirt Color
  Collector #1	Portuguese	Toy	Unknown	Blue
  Collector #2	Japanese	Lot 40	0,000	Purple
  Collector #3	Italian	Lot 30	0,000	Pink
  Collector #4	Canadian	Unknown	0,000	Yellow
  Collector #5	Unknown	Unknown	0,000	Unknown

  

  kimi k1.5響應(yīng)：

  Collector #	Nationality	Lot	Item	Amount	Shirt Color
  1	Italian	30	Clock	0,000	Blue
  2	Japanese	40	Painting	0,000	Purple
  3	Canadian	10	Vase	0,000	Pink
  4	Portuguese	34	Toy	0,000	Yellow
  5	(Unknown)

  

  觀察：

  Openai O1提供的響應(yīng)明顯不準確。結(jié)果表不符合問題中指定的所需格式，從而使回答不可靠。另一方面，Kimi K1.5根據(jù)問題提供了正確格式的響應(yīng)，但答案本身的內(nèi)容不正確。

  >

  >判決：

  >

  openai o1：?| Kimi K1.5：?

  >任務(wù)2：邏輯推理

  > 提示：>您走進房間看床。在床上有兩隻狗，四隻貓，一隻長頸鹿，五頭牛和一隻鴨子。還有三把椅子和一張桌子。地板上有幾條腿？ openai O1響應(yīng)：

  kimi k1.5響應(yīng)：

  觀察：

  正確答案：

  > 22（2（人）4（表）4（bed）4（bed）12（3張椅子））

  openai O1花費了太長時間來產(chǎn)生響應(yīng)。雖然計算正確並包括一個詳細的解釋，但它未能說明地板上的人腿，這使得其答案不正確。相比之下，Kimi K1.5在更少的時間內(nèi)提供了正確的答案。 >

  >判決：
  >

  openai o1：?| Kimi K1.5：? >任務(wù)3：創(chuàng)建一個HTML站點

  >

  提示：
  >創(chuàng)建一個簡單的html頁面，其中使用一個按鈕將背景顏色更改為粉紅色時，用一些五彩紙屑

  將其更改為粉紅色。 openai O1響應(yīng)：

  kimi k1.5響應(yīng)：

  觀察：

  >
  >判決：
  >

  openai o1：?| Kimi K1.5：? >任務(wù)4：Web搜索

  提示：
  >閱讀文章 - https：//www.analyticsvidhya.com/blog/2024/07/building-agentic-agentic-rag-systems-with-langgraph/，以了解構(gòu)建wikipedia數(shù)據(jù)的矢量數(shù)據(jù)庫的過程。以簡潔的方式匯總關(guān)鍵步驟。

  openai O1響應(yīng)： >構(gòu)建wikipedia數(shù)據(jù)的矢量數(shù)據(jù)庫的過程：

  1. >收集數(shù)據(jù)：從轉(zhuǎn)儲或API中獲取Wikipedia文章。
  >
  2. >>預(yù)處理文本：清潔文本並將其分成較小的連貫的“塊”。
  3. 選擇一個嵌入模型：使用語言模型（例如OpenAI嵌入）將文本塊轉(zhuǎn)換為數(shù)值向量。
  生成嵌入
  4. ：對於每個塊，產(chǎn)生其語義向量表示。 設(shè)置矢量數(shù)據(jù)庫
  ：選擇一個矢量存儲（例如Pinecone，Weaviate，F(xiàn)aiss，Chroma）以存儲和索引嵌入。
  5. > >插入向量
  ：將所有塊向量和關(guān)聯(lián)的元數(shù)據(jù)（例如，原始文章參考）加載到數(shù)據(jù)庫中。 >
  6. 測試檢索：與矢量化問題查詢數(shù)據(jù)庫，以確保返回相關(guān)的wikipedia塊。
  >
  7. 優(yōu)化並集成：將索引和集成與檢索效果生成（RAG）管道進行有效，準確的信息檢索。
  8. kimi k1.5響應(yīng)： >“具有Langgraph的構(gòu)建代理抹布系統(tǒng)的綜合指南”文章概述了為Wikipedia數(shù)據(jù)構(gòu)建向量數(shù)據(jù)庫的過程，這是創(chuàng)建代理抹布系統(tǒng)的一部分。這是總結(jié)的關(guān)鍵步驟：
  1. 安裝依賴項：安裝必要的庫，例如Langchain，Langchain-Openai，Langchain-Community，Langgraph和Langchain-Chroma。
  >
  2. 輸入API鍵：使用GetPass函數(shù)安全地輸入OpenAI和Tavily搜索的API鍵，以避免在代碼中公開它們。
  設(shè)置環(huán)境變量
  3. ：設(shè)置OpenAI和Tavily搜索API鍵的環(huán)境變量。 >
  >加載wikipedia data
  4. ： >從提供的Google Drive鏈接下載Wikipedia數(shù)據(jù)或使用本地存檔文件。 >
     >提取並將數(shù)據(jù)加載到文檔列表中。
     塊文檔
  ：
  5. 使用文本分離器將文檔分為較小，可管理的塊。 >本文使用遞歸的術(shù)語textsplitter將文檔分為大約2000個字符的塊，重疊為300個字符。
     >
     • 創(chuàng)建矢量數(shù)據(jù)庫
     ：
  6. >初始化一個色度矢量數(shù)據(jù)庫客戶端。 >使用OpenAI的嵌入模型（Text-Embedding-3-Small）將文檔塊轉(zhuǎn)換為嵌入。
     >
     • >將文檔塊及其嵌入在矢量數(shù)據(jù)庫索引中，將餘弦相似性指定為距離函數(shù)。
     • 設(shè)置向量數(shù)據(jù)庫回收
     ：
  7. >配置獵犬以基於餘弦相似性獲取前3個最相似的文檔。 設(shè)置一個相似性閾值（例如，0.3），以過濾與查詢不夠相似的文檔。
     >
     • 測試獵犬
     ：
  8. >用示例查詢測試獵犬，以確保其返回相關(guān)文檔。 > 對於vector數(shù)據(jù)庫中沒有相關(guān)文檔的查詢，檢索器應(yīng)返回一個空列表。
     • 觀察：
     Kimi K1.5的輸出通過提供特定的技術(shù)參數(shù)和庫要求提供詳細的可行的實現(xiàn)步驟來表現(xiàn)出色。它與明確的組織之間的全面深度之間進行了平衡，解釋了每個步驟背後的推理，並有效地將技術(shù)過程與建立代理抹布系統(tǒng)的更廣泛目標聯(lián)繫起來。

  >判決：

  >

  openai o1：?| Kimi K1.5：?

  任務(wù)5：圖像分析

  提示：

  >圖像顯示了空間中數(shù)據(jù)中心的高度簡化示意圖，其中一些簡化的假設(shè)需要合理。

  >任務(wù)：>估計數(shù)據(jù)中心所需的散熱器表面積的下限。
  地址。
  地址如何在熱管理的背景下處理太陽和深空。 >輸入圖像：
  
  

  

  openai O1響應(yīng)：

  下面的

  是一個逐步推理過程，具有明確規(guī)定的簡化假設(shè)，理由和熱力學(xué)第一定律的應(yīng)用。最終結(jié)果將是在散熱器區(qū)域的下限，以消散由空間數(shù)據(jù)中心產(chǎn)生的1 gW的熱量。

  關(guān)鍵假設(shè)和簡化

  1。功率輸入和熱量產(chǎn)生：

  假設(shè)數(shù)據(jù)中心由1 GW太陽能電源提供動力。 GPU消耗的幾乎所有電力都將轉(zhuǎn)換為熱量（在穩(wěn)態(tài)下電能轉(zhuǎn)換本質(zhì)上是100％，因為所有未存儲的電能最終都必須隨熱量消散）。因此，要去除的廢熱約為1 gW = 1×10^9 W.
  2。僅輻射傳熱：

  > 在太空中，沒有對環(huán)境的對流或?qū)щ娎鋮s，只有輻射傳熱。因此，熱排斥的主要模式是從散熱器表面進入深空的熱輻射。

  3。發(fā)射率和吸收性：

  假設(shè)散熱器是用高發(fā)射率構(gòu)造的，例如ε= 0.9 ε = 0.9。這對於塗有某些高發(fā)射率的油漆或材料的表面是合理的。對於所需區(qū)域的下限，我們假設(shè)理想的條件：

  散熱器主要遠離太陽，以最大程度地減少太陽能吸收。

  kimi k1.5響應(yīng)：
  • 為了估算太空中數(shù)據(jù)中心所需的散熱器表面積的下限，我首先應(yīng)用Stefan-Boltzmann定律，該法描述了表面輻射的功率：
  為了處理熱管理中的太陽和深空，應(yīng)使用陽光遮擋數(shù)據(jù)中心，或放在不暴露於陽光下的位置，例如行星或月球的陰暗面。必須設(shè)計散熱器以有效地輻射熱量進入空間的真空，這是非常冷的。 通過確保數(shù)據(jù)中心設(shè)備產(chǎn)生的熱量等於散熱器輻射的熱量，熱力學(xué)的第一定律適用於這種情況。該法律確保系統(tǒng)中的總能量保持恆定，並在散熱器的設(shè)計中充分考慮了熱量。

  >所需散熱器表面積的下限大約為

  766平方米

  。數(shù)據(jù)中心應(yīng)避免陽光直射，並應(yīng)優(yōu)化散熱器，以在空間真空中進行散熱以維持熱平衡。

  觀察：

  Kimi K1.5的響應(yīng)是出色的，原因有幾個。從基本的Stefan-Boltzmann法律方程開始，它通過分步方法來證明明確的數(shù)學(xué)推理。 Kimi清楚地定義了所有變量及其值，顯示了解決散熱器區(qū)域的數(shù)學(xué)過程，並提供了766平方米的具體數(shù)值結(jié)果。該解釋包括有關(guān)熱管理策略的明確理由，例如將散熱器定位在地球的陰暗面，以及與現(xiàn)實世界應(yīng)用的第一定律的直接聯(lián)繫。響應(yīng)以特定數(shù)字和可行的建議結(jié)束。

  > 相比之下，Openai O1的響應(yīng)仍然更加理論上，重點是一般假設(shè)和設(shè)置，而不是完成實際計算。它缺乏具體的數(shù)值解決方案，並且沒有完全解決熱管理方面，與Kimi K1.5的詳細和以解決方案為導(dǎo)向的方法相比，它的實用性和行動性不佳。

  >判決：

  openai o1：?| Kimi K1.5：?

  最終結(jié)果：kimi k1.5 vs Openai O1

  >任務(wù)結(jié)果

  Task	Winner
  Zebra Puzzle	Neither
  Logical Reasoning	Kimi k1.5
  Create an HTML Site	Kimi k1.5
  Web Search	Kimi k1.5
  Image Analysis	Kimi k1.5

  也請閱讀：Kimi K1.5 vs DeepSeek R1：最好的中國LLMS戰(zhàn)役

  結(jié)論

  諸如Kimi K1.5和DeepSeek R1之類的免費模型正在挑戰(zhàn)Openai O1的主導(dǎo)地位，無需免費提供推理，編碼和多模式任務(wù)的卓越性能。隨著Kimi K1.5在關(guān)鍵基準和DeepSeek R1方面的表現(xiàn)優(yōu)於OpenAi，在編碼挑戰(zhàn)方面脫穎而出，為Openai O1支付20美元/月是否仍然是合理的？在下面的評論部分中讓我們知道！

  >

  敬請期待分析vidhya博客，以獲取更多如此出色的內(nèi)容！

以上是Kimi K1.5與OpenAi O1：哪個更好的推理模型？的詳細內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！