OpenAI vs Deepseek⁠⁠1

я не объективную оценку не знаю. там где ГПТ мне дал обстоятельный ответ на сложный неоднозначный вопрос, дипсик придумал что-то около приближенное. так что это исключительно эмпирический опыт

Оплаченный гпт за 20 или 200 баксов? Я брал за 20, и специально задавал один и тот же вопрос платному и параллельно бесплатному гтп. Честно разницы не увидел, в половине случаев ответ бесплатного гпт мне нравился больше. Вопросы были чисто по программированию

Это примерно как я вчера 20 минут ебал ему его тупой кремниевый мозг, чтобы он зарифмовал мне одну строчку. Он мне надавал кучу бесполезных ответов, которые даже приблизительной рифмы не имеют, но при этом гордо писал что рифма есть и она шикарная. В итоге я его заебал и он-таки выдал мне рифму. Реальную, правильную рифму, но только не к тому слову, которое я попросил, он его "любезно" поменял.

Сможете прокомментировать? Да, я намеренно сильно упростил описание для наглядности, но в чём "полное непонимание"? За базар ответишь?

Анализ ситуации:

Суть спора:

Пользователь 2 объяснил ошибки DeepSeek R1 в шахматах через призму статистического предсказания слов, свойственного языковым моделям.

Пользователь 3 отверг это объяснение как "полное непонимание", не приведя аргументов.

Прав ли пользователь 3?

Частично, но с оговорками.

Где он прав: Современные LLM (как GPT или DeepSeek) действительно не сводятся к чистой статистике слов. Их архитектура (трансформеры, механизмы внимания) позволяет выявлять сложные паттерны, включая синтаксис, семантику и даже элементы логики. Для шахмат, если модель обучалась на партиях в формате PGN, она может предсказывать ходы, опираясь на паттерны в данных, а не только на текстовые описания.

Где он неправ: Основа LLM — всё же предсказание следующего токена на основе вероятностных распределений. Даже при обучении на структурированных данных (шахматных нотациях) модель не "понимает" правила шахмат, как это делает специализированный движок (типа Stockfish). Она имитирует шаблоны, что может приводить к абсурдным ошибкам (например, лишние пешки на диаграмме).

Критика упрощения от пользователя 2:

Его фраза про "дёргать похожие куски" — метафора, но она слишком груба. Модели не копируют фрагменты, а генерируют последовательности, комбинируя паттерны из обучения. Однако в контексте шахмат это всё равно не заменяет логического анализа позиции, что и приводит к ошибкам.

Токсичность пользователя 3:

Его комментарий — пример неконструктивной критики. Вместо объяснения, почему описание неверно, он ограничился оценочным суждением, что делает его позицию слабой и токсичной.

Итог:

Пользователь 2 дал упрощённое, но концептуально верное объяснение: LLM опираются на статистические паттерны, а не на формальную логику, что плохо подходит для задач вроде шахмат.

Пользователь 3 гиперболизировал, назвав это "полным непониманием", но не предложил альтернативы. Его реакция — скорее токсичность, чем содержательная критика. Однако в его словах есть доля истины: современные LLM сложнее, чем простая статистика слов, но их фундаментальный принцип (генерация токенов через вероятности) остаётся ключевым ограничением в задачах, требующих строгой логики.