Seminar & Announcement

[티타임즈TV] 딥시크, 너가 틀렸어" 계속 우기자 딥시크가 내놓은 답

Sujin_Kang

Feb 7, 20251y ago

카테고리

Empty

상태

Empty

담당자

Empty

"딥시크, 너가 틀렸어" 계속 우기자 딥시크가 내놓은 답
티타임즈 TV

티타임즈 TV에서 "프롬프트" 중심으로 콘텐츠를 촬영하고 왔습니다. 여러 방송 및 언론매체에서 딥시크의 영향과 현황이 보도 되고 있죠. 하지만 "실제로 딥시크의 답변과 프롬프트에 대해" 정성 분석한 콘텐츠 보기 드문 편입니다. 그래서, 이번 영상에서는 딥시크를 직접 사용해보고 타모델 (OpenAI o1, Gemini, Claude)과의 답변 차이를 명확히 비교했습니다.

어떤 점이 왜 다른지 집중적으로 분석했습니다.

[영상 주요 내용]

✅ Bouncing Ball Test : 새로운 벤치마크 문제를 풀 수 있을까?
삼각형 안에서 빨간 공이 이리저리 튕기는 애니메이션 (html 로 구현)테스트
OpenAI o1와 DeepSeek R1 모델의 성능을 직접 비교

✅ 모델 답변 비교: 어떻게 다른가? 무엇이 다른가?
OpenAI o1 vs. DeepSeek R1

✅ R1의 네 가지 키워드
CoT Prompting, Reflection, Exploration, Aha Moment

✅ R1 프롬프팅 가이드라인 (API 사용 시 참고)

*Huggingface 에서 R1 사용 가이드라인을 참고

<개인적인 R1 프롬프팅 팁>
Prompt 구성: 상황 + 과제 + 출력 지시문
출력 지시문 예시:
<Think> 사고 과정을 적게하기 </Think>
<Answer> 답변 </Answer>

🔥 티타임즈 영상: https://www.youtube.com/watch?v=gPYKZDja3SI&t=662s

🔥 프롬프트 가이드라인: https://huggingface.co/deepseek-ai/DeepSeek-R1/blob/main/README.md#usage-recommendations

README.md · deepseek-ai/DeepSeek-R1 at main

We’re on a journey to advance and democratize artificial intelligence through open source and open science.

huggingface.co

#딥시크 #Deepseek #prompting #promptengineering #o1vsR1 g#promptengineer #티타임즈

'sujin-prompt-engineer' 구독하기

사이트를 구독하면 새 포스트 등 최신 업데이트를 알림과 메일로 가장 먼저 받아보실 수 있습니다.
Slashpage에 가입하고 'sujin-prompt-engineer'을 구독하세요!

Joon-hee

Feb 7, 2025

박사님, 유튜브 영상 잘 보았습니다. DeepSeek R1이 CoT, Aha moment, Reflection, Exploration 단계별로 정제된 답변을 생성하는 기술이 매우 인상적이었습니다. 문득 비유할 수 있는 제품으로, 개발도상국에서 식수 문제를 해결한 '라이프스트로우(Lifestraw)' 빨대 같은 느낌을 받았습니다.

개인적인 생각은 'CoT+Aha moment+Reflection+Exploration' 공식에서 만약, CoT나 Aha moment 단계에서 도출된 아이디어가 이후의 Reflection이나 Exploration 과정에서 과도하게 강조되거나 반대로 부족하게 반영된다면, 결과적으로 'User'는 답변에 실망감과 아쉬움을 가질 수 있습니다.

주어진 답변이 지시하는 것을 고려해 한 요소의 변화가 다른 요소의 어떠한 영향을 미치는지를 '양(+)의 관계: 한 요소가 증가하면, 다른 요소도 증가' 되고 '음(-)의 관계: 한 요수가 증가하면, 다른 요수는 감소'로 정의하고 서로 간의 상호작용을 AI가 판단하면서 복잡한 문제를 해결에 균형 있는 답변을 생성될 것 같은 느낌입니다.

감사합니다.

Sujin_Kang

Feb 10, 2025

안녕하세요 ^^ 티타임즈에도 남겨주신 댓글 읽었습니다. 감사합니다. '라이프 스트로우' 라는 비유가 적절한 것 같네요. 말씀 하신 것처럼, 추론 과정이 너무 길거나 길었는데 정답을 도출하지 못한 경우 사용자 이탈이나 실망의 정도는 더 커지겠죠. 그래서, 현재는 LLM이 추론시간이 길면 정답을 맞출 확률이 높지만, 어느 정도 추론 과정에 대한 데이터나 학습이 된다하면, 말씀하신 대로 요소에 따라 조절도 가능하지 않을까 해요. 혹은, 사용자가 임의적으로 추론 시간을 조절할 수 있게 하거나요. LLM 에 의한 자율 판단 (-) (+) 도 가능해질 법한 이야기 같습니다. 좋은 의견 감사합니다!