一起看看国产DeepSeek表现如何？

1.DeepSeek在临床决策中的基准评价

大型语言模型（LLM）正在日益改变医疗应用。

为了证明DeepSeek-V3和DeepSeek-R1的临床实用性，研究者将它们在临床决策支持任务上的表现与专有LLM（包括GPT-4o和Gemini-2.0 Flash Thinking Experimental）进行了基准测试。

使用125例具有足够统计效力的患者病例，涵盖了广泛的常见和罕见疾病，研究者发现DeepSeek模型的表现同样良好，在某些情况下甚至优于专有LLM。

对于第一个临床决策任务-诊断，Gem2FTE的表现明显优于DeepSeek-R1 和GPT-4o。DeepSeek-R1与表现最好的模型GPT-4o相当。

对于第二次临床决策任务-治疗，GPT-4o和DeepSeek-R1均表现优于Gem2FTE。同样，GPT-4o与DeepSeek-R1没有显著差异。

与早期的基准模型GPT-4和GPT-3.5相比，GPT-4o和DeepSeek-R1都可以观察到更好的性能，但是Gem2FTE没有。

2.DeepSeek在医疗任务和临床推理方面的比较基准测试

DeepSeek是一种新推出的大型语言模型（LLM），旨在增强推理能力，但其医疗领域的能力尚未得到评估。

本研究评估了三个LLM（DeepSeek-R1，ChatGPT-o1和 Llama 3.1-405B）执行四种不同医疗任务的能力：

• 回答美国医疗许可考试（USMLE）中的问题；
• 基于文本的诊断和管理案例的解释和推理；
• 根据RECIST 1.1标准提供肿瘤分类；
• 以及提供跨多种模式的诊断成像报告摘要。

在USMLE测试中，**DeepSeek-R1（****准确率=0.92，粉）的性能略逊于ChatGPT-o1(****准确率=0.95，绿)，**但优于 Llama 3.1-405B(准确率=0.83，黄)。

对于基于文本的病例挑战，DeepSeek-R1的表现与ChatGPT-o1相似。分别使用新英格兰医学杂志（NEJM）和Medicilline数据库。

对于RECIST分类，DeepSeek-R1的表现也与ChatGPT-o1类似(0.73 vs 0.81；p = 0.10)。

DeepSeek提供的诊断推理步骤被认为比ChatGPT和Llama 3.1-405B提供的更准确。

然而，DeepSeek-R1提供的汇总成像报告的整体质量低于ChatGPT-o1(5分Likert评分：4.5 vs 4.8)。

这项研究强调了DeepSeek-R1 LLM在医疗应用方面的潜力，但也强调了需要改进的领域。

两项研究说明，国产DeepSeek展现了作为开源医疗AI基座的潜力：其诊断推理能力已达临床可用水平。尽管在知识覆盖深度和生成任务精细化程度上仍需迭代，但通过本地数据的持续微调，有望发展成为安全可控的临床决策支持系统。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】