deepseek美化怎么取消思考

deepsea 更新 v 四版本后，我研究出了一套指令，维普直接从百分之九十七点五一的 ai 率改到了百分之五点八九。 改的时候选中专家模式，点击深度思考，关闭联网搜索，然后直接粘贴指令和要修改的内容发送就可以了。这套指令之网同样适用，不会的同学也可以用 a n t 工具直接上传文档，选择好直接学校对应的检测平台就行。

我觉得豆包它就是国产，真没那样，我现在主要就是用 codex， code 和豆包就是它那个，那天那个四零零报错就是豆包给我解决的，反正它就是。嗯，这个四零零报错的话，你要么就是退回到老版本，因为 codex 的 最新版可能是把这个 deepsafe 给给那啥了， 给它软封杀了吧。相当于有可能是这样，因为它是闭源的，我们也不知道具体是咋回事。还有一种方法就是你把 deepsafe 的 那个思考模式关闭，你去那个 deepsafe 的 官网看一下怎么关闭，然后你把它关闭就行了。就是 deepsafe 的 那个 a b i 文档，你看一下怎么关就行了，或者让豆包给你弄一下。

如何开启 deepfake 最强大的思考推理模式？官方在技术报告中提到了一段极其特殊的指令，叫做 reasoning effort absolute maximum。 把它放进对话框里， ai 瞬间从实习生切换成首席科学家。 普通状态下，他快速给答案。极致推理状态下，他会像疯子一样穷举所有可能性，回溯逻辑漏洞，推演边缘情况，甚至会主动反驳自己上一秒的结论。这段指令翻译过来的大概意思是，一、推理投入程度绝对最大化，引进任何捷径。二、必须及其彻底的思考，全面分解问题以追溯其根本原因。 对所有潜在路径、边缘情况和对抗性场景，对你的逻辑进行严苛的压力测试。三、显式的写出整个深思熟虑过程， 记录每一个中间步骤，每一个被考虑过的替代方案，以及每一个被否决的假设，确保绝对没有任何假设未经审查就被放过。评论区获取这段指令吧，关注我，价值翻译官，帮你翻译价值，看清前沿 ai！

这 deepsea 它不好用啊，不是说你没有打开深度思考，而是说你压根就没掌握深度思考的提问法。那今个我分享的可全都是干货，记得先点赞收藏，别回头想看的时候找不到了。 ok， 同学们别眨眼，注意看。

deepsea 的 多模态模式呢？已经在回读测试了，原来大家都抱怨 deepsea 是 没有多模态的理解能力的，而对应的论文呢，更加的惊艳，叫做 thinking with vector primitives。 我 今天早上也读了一下，我觉得真的是非常大的创新，让人眼前一亮。这里面的核心点在于呢，原来的传统的多模态大模型呢，其实并没有真正的理解图片， 而是通过理解图片的内容描述。嗯，再去描述呢，去反向的认知图片。而 deep sea 们认为这个事情呢，不是最优解。原来的模型呢，是通过 change of thought c o t 一 步步推导，听起来很合理， 但是呢，语音本身是模糊的，没法精准的指向图片里的具体位置，这个呢，就被称为 reference gap。 另外一个呢，就是模型其实看不清高分辨率的图片中的细节，就是它只能制造大概可能第二次呢，针对第一次内容再去跟踪，再去细看。但是呢，很多的高分辨率的裁剪，动态的分块都没有被有效的发挥。 所以这里面的一个矛盾就是及时感知，做到完美。但纸带还是在靠自然语言模型呢，在密集计算，复杂空间推理，拓扑导航这些任务中呢，都会出错，产生连锁幻觉。 证呢，其实就是 deep c 需要解决的问题，还要把原来的这种大圆模型的纸带改变成 vector primitives， 通过 vector primitives 更好地去理解图片中的结构，或者说的图片中的 top。 因为 top 呢，其实它很多的抽象是需要用空间思维去理解的，而不是单纯的通过语言就可以有效指导。 那它的思路呢，是把空间标记，也就是 point 点和边界框 onin box 升级为最小四维单元，直接插进模型的推理链条里。就比如说人在属于密集的东西，手呢，是用手指去 逐个点过去，因为你需要用空间缩影，你可以直接用 viewer， 就是 通过视觉模块去形成共识，而不是你描述完之后，让一个看不见的人去理解你在说什么。所以呢，按照这样的灵感视觉源语就是 viewer permitted， 是 有两个分工， 一个是边界框来捕捉具体物体的位置和大小点，用来抽象视觉指向，这样呢，就可以在轨迹追踪，拓扑推理中找到最合适的一个路径。讲完原理呢，我们看看具体的，它的实现 依然是基于它的五代模型，就是 deepsea v 四 flash， 总参数呢，二百八十四 b， 激活呢是十三 b。 视觉编码用的是 deepsea v i t， 是 一个从头训练的一个 vision transformer 的 一个模型，支持任意分辨率的输入使用是十四乘十四的 patch， 把图片切割成各种 patch token， 每个二维的空间呢，先变成一个文本的四元，然后 v i t。 输出端呢，用三乘三的空间压缩，把九个相邻的 patch token 合并成一个。最理想的就是进一步做一个二维空间的压缩， 进入 l l m 之后呢，有一层 compressed space tension， 这个 c s a 呢？ d p c 一 直在用，是视觉透光的 k v cash 呢，再压缩四倍。因为三维世界里呢，很多的空间是可以被压缩的，比如同一个颜色， 比如说呢，是背景的一些信息，一直不动都可以被压缩起，整体压缩比例呢，是七千零五十六倍，这个数字有多夸张呢？ d p c。 论文中呢，也对比了其他的所有的视觉模型，千万三 v l 二百三十五 b g b t 五点四 到三点四点六， jimmy 三 flash 以及 jimmy 的 小模型 gamma 四三十一 b， dsp 的 二百二十四 b 的 模型，它的整个的 k v cash entry 呢，只有九十个对比，其他呢，是很夸张的，有从两百八十九到一千一百， 但是在对应的编程上的跑分呢， dsp 却是最高的七十七点二，超越了 jimmy 三 flash 一 千一百个，最多的 k v cash entry 中的百分之七十点五的准确性。 训练阶段呢， d p c。 做了很多努力，内容比较复杂，我也不一一地跟大家分享。总体来说呢，是从预训练， pre training 到 specialize， 就是 进度微调，再到 specialize r l 强化学习， unified r f t 就是 把 r l 和 pronunciation 结合在一起的，以及 on polish destination 在 线测验蒸流。通过一系列的方法呢，就是把从数据清洗到 到能启动的数据的训练，再到空间推理，共用视觉的问答。这里面的都是原来就是所有大模型很难回答的问题，尤其是关于拓扑学的，把一些复杂形状，空间知识一对应的一些难题进行训练， 包括迷宫啊，包括路径追踪啊，这都是传统的数学模型很难实现的那些内容。再到后续的阶段专裁的训练及合并，也就是比如说专门训练他的 only box 或者 point， 最终呢，大一统的结合在一起，再通过学生模型，基于自己深沉的轨迹学习教师模型 就是 deepsea vs 一 直说的多教师的正流。最终呢，结论是很夸张的啊，基本上在每个指标上都超越了目前的所有的多模态模型的能力，其中最核心的驾驶人就是拓普推理了。 拓普推理呢，就是我们所说的用拓普学的方式呢，去把复杂的信息抽象成一个简单的 graph， 或者简单的依赖关系。这里面呢，在 d s max navigation 上的得分呢，达到了六六点九。在这个 past tracing 上面，就 是路径寻找方面呢， d p c 达到五十六点七，排名第二的 g p c 五点四只有百分之四十六点五，三点四点六呢，只有百分之三十点六。所以这说明呢，我们的大模型在拓扑推理上有巨大的提升空间，而 d p c 呢，给出了一个非常有效的方向，也就是我们说的 real primitives。 最后看起案例吧，第一个是从画面中找到哪些是 pokemon， 就是 宠物小精灵那 的 deepsea 呢，是很清楚的，从各个潮玩中知道哪一些是 categorized 和 pokemon。 第二个是哪一个更重，一个软糖熊对比一个保险箱， deepsea 通过看懂了天平，知道软糖熊呢是更重。 第三呢，在一系列的非常接近的图片中，找到哪些是曲奇饼干，哪些是吉娃娃。 deepsea 呢，也是能理解画面中的语义，虽然图片很接近，但是呢，有效的分别哪些的结构呢，是一个真实的吉娃娃。图片 四， why is funny？ 就是 他会找到图片中的好笑点，好笑点呢，其实是一个图片中的幽默，就是猫的脸跟一个水果的图是很像的。第五呢，是关于如何避实逃脱，那 deepsea 能看懂图片中的意思，知道这个画面中的玩家需要站在椅子上，勾到架子上的钥匙才能开门，这些呢，都是充分的理解画面中的语义，才 还可以找到答案。在更夸张的后面两个例子分别是在迷宫中寻找路径，以及呢，通过一些抽龙复杂的线条，找到两点之间的合适的路，两点之间相连的一个路线。那这些内容呢，其实对于传统的语言模型来说，其实是很难解答的问题， 因为大部分模型呢，其实还是在通过文字语义去理解画面。而 deepsea 这次呢，通过 very primitive 就是 视觉单元呢，去深度的解密了视觉中的一些关联，尤其是在拓普的问题中，需要把抽中复查的信息简化成符和依赖关系的时候。那 deepsea 这篇文章呢，我想的是给所有的呃的中国太原理发展一个非常先进的指导路线。

你真的玩明白 deepsea 了吗？很多人用 deepsea 只会傻乎乎的问帮我写文案，结果回答平平无奇，根本没发挥出他的实力。一分钟教你从小白直接变大神。其实用好 deepsea 就 三招，尤其是第三招，百分之九十的人都不知道。 首先，基础设置一定要开对勾选，深度思考，再打开联网搜索，一个负责深度推理，一个保证信息最新，这才是完全体。第一招，写文案，告诉他你的身份需求，风格、字数目的，他才能给你精准输出。帮我写个短视频脚本， 我是做职场干货的短视频博主粉丝，二十五岁左右，帮我写一个三十秒摸鱼不被发现的短视频脚本。口语化，带点梗。第二招，给他一个身份，他才会用专业视角帮你解决问题。解释一下什么是大模型。 你是一个十年经验的新媒体总监，现在帮我复盘出这条文案的内容，给出三条可直接执行的优化建议。第三招，学会追问，榨干它的价值。第一次回答，不满意直接说，内容太笼统，分点细化，每个点给两个具体案例。语言派官方改成抖音口语化，赶紧去试试。回来告诉我，你的 deepsea 是 不是变得不一样了。

deepseek v 四降 ai 率是真的有点东西，今天教你们怎么十分钟左右把 ai 率直接压到个位数。先把初稿里的论文复制一小段出来，这里有个特别关键的地方，一定要切到专家模式，不然很多人用的还是默认模型， 效果会差特别多。接着把深度思考打开，把刚刚复制的内容粘贴进来，然后再配合专门的提示词指令，基本几分钟就能顺完一小段。 偶尔碰到特别难降的段落也正常，多试几次就行。不过说实话，这方法虽然有效，但短板也特别明显，太耗时间，只能一段一段复制粘贴，改着改着还特别容易把原文意思带跑偏。而且这种办法不太适合整篇大批量去改，尤 其现在都到达变节点了，时间紧迫，进度根本赶不上。怕麻烦可以试试这个斜修方法，直接把整篇初稿打包丢进 paper 写像之网，维普格子达这些它都能适配。 等一会儿之后，他会把那些特别模板化的表达整体顺得更自然。关键是原来的核心逻辑和内容也不会乱，既保住了原文原意， ai 率又能稳稳压在合格线以内。

最近 deep seek 发布了 v 四版本，我帮大家测试了一下，使用这个 deep seek v 四模型，配合指令， ai g c 率可以直接改到零。但我发现好多宝子真的纯莽夫操作，直接把豆包整好的出稿，二话不说一股脑往里丢。结果一查， ai 率不但没降，反倒往上涨， 瞬间慌到不行，还搁那怀疑 deep sec v 四不好用。我真的想说，纯属你自己用法太粗糙了好吧，正确操作其实很简单，首先记得切到专家模式，不然很多时候你用的还是普通版本。然后把深度思考打开，重点来了，智能搜索一定要关掉，不然联网后容易混进一堆乱七八糟的信息， 反而影响效果。可以结合这段提示词，一小段一小段的降 ai。 但很多人又遇到新问题， ai 率是降下来了，整篇文字跟唠嗑似的，口语感太重， 一点初稿内味儿都没有，改完等于白改，纯属浪费时间。这时候就该咱们老朋友登场，看学校，要求选知网或者维普就行，把文档丢进去，他会跟着各大平台的算法逻辑，帮你重新梳理文本结构，专门降低内谷 ai 位，这样处理一下基本都能合格。

deepsea， 三个被百分之九十九的人忽略的高效用法！第一个技巧，深度思考模式，你真的用对了吗？很多人打开 deepsea 就 直接提问，完全没注意到输入框上方那个深度思考的开关， 但这个开关用错了，反而会拖慢效率。记住这个黄金原则，简写代码，调试 bug， 做复杂逻辑分析。一定要开深度思考简简单翻译，查基础信息，日常闲聊开了只会让响应变慢，想不清楚的问题才需要让 ai 帮你深度思考。第二个技巧，文件上传功能，百分之九十九的人 都在浪费它。 deep seek 绝不是只能聊天，它支持上传 pdf、 word、 excel、 图片甚至代码文件，但大多数人只用来传个文档让它总结，完全没发挥出真正威力，这些才是它的正确打开方式。简，把五十页的合同丢进去，帮你找出所有风险条款和隐藏陷阱。 简，把上季度的销售表格传上去，自动分析数据趋势，并给出增长建议。简，把杂乱的语音转写会议记录粘贴进去，一键整理成袋，行动向的标准寄要 li 的 核心价值就是帮你搞定这些耗时又枯燥的重复性工作。第三个技巧，写好 prompt 的 万能公式。很多人提问都是帮我写一篇文章，结果得到的回答又空又泛，毫无价值。高手都在用这个万能公式，角色加场景加具体任务加输出格式。 举个例子，你是有十年经验的资深产品经理，帮我写一封邮件给客户，说明项目需要延期两周，语气要诚恳但不卑微，三百字以内要像真人写的， 不要用套话，同样的任务只是把需求说清楚了十倍结果就会天差的别。最后总结一下今天的三个核心技巧，一、深度思考模式，用对场景才有效，别什么问题都开。二、文件上传功能，处理文档数据才是 ai 的 真正强项。 三、万能 prompt 公式，说清楚需求，才能得到精准回答。关注步步哥，每天分享一个实用 ai 干货，我们下期见！

最近试了试 deep sec v 四降 ai 率，效果还挺不错的。方法倒也简单，切到专家模式，打开深度思考，一小段一小段复制粘贴过去，配上这段提示词，确实能顺出来几句话。有些难搞的段落，来回折腾几次也能搞定。可问题就是这活太磨人了， 光是复制粘贴就耗了不少时间。最要命的是，现在临近答辩时间紧张，进度根本来不及，所以得换个思路， 直接把整篇出稿打包扔进这里来。它不像普通 ai 那 样乱改结构，而是整体梳理那些模板化的表达，让语言变得更自然流畅，原来的内容骨架一点没动，核心观点稳稳在线， ai 率也能稳稳压到合格线以下，能省心不少。