DeepSeek、豆包、Kimi等虽然都是大模型训练的产物，但是使用的训练模型不一样，导致功能不一样。

DeepSeek使用的是推理模型，其他使用的是普通模型。

这里先分两类，一类是DeepSeek简称DS，一类是其他包括豆包、Kimi等。

由于两者使用的模型不同导致核心目标不一样：

• 其他：文本生成、基础问答、信息检索
• DS: 多步骤逻辑推理、复杂问题解决、因果分析

训练数据不一样：

• 其他：通用语料（网页、书籍、对话等）
• DS：增加逻辑题、数学题、科学推理等结构化数据

训练方法不一样：

• 其他：自回归语言建模
• DS：结合思维链（CoT）、程序辅助、符号逻辑增强

输出特点不一样

• 其他：流畅但可能缺乏深度逻辑
• DS：结构化、分步骤、注重因果链推导

由于DS的模型开源，我们现在可以将DS部署到本地，并为其提供不同类型的数据来训练，以使其成为我们自己的助手。通过喂不同类型的数据，我们可以观察到不同的训练结果，从而提高DS的可玩性。在接下来的教程中，我将向大家展示如何将DS部署到本地，并为其提供不同类型的数据来训练，以帮助我们打造一个个性化的、高效的助手。请期待！