测试 DeepSeek R1 的编程、推理与敏感问题回答

我正在用自己常用的一组提示词测试完整版 DeepSeek R1 推理模型。Vultr 赞助了这期视频，并提供演示使用的云端 GPU。完整版模型总参数量为 6,710 亿；DeepSeek 报告称，在其混合专家架构中，每个 token 约激活 370 亿参数。

模型在云端机器上通过 Open WebUI 运行，而不是使用 DeepSeek 自己托管的聊天界面。作为基本检查，我问 “strawberry” 里有多少个字母 R。模型在思考标签内显示文本，并正确回答有三个。

我觉得这些可见的来回推敲很有意思，因为生成的文字会重新检查答案。在我看来，它读起来像人类的内心独白；不过，单凭文字不能证明内部过程与人类相似，也不能证明每段解释都忠实反映了答案的产生过程。

第一道编程题，我要求用 Python 编写贪吃蛇。R1 先概述使用 Pygame 的方法，然后输出代码和说明。我把程序复制到本地编辑器运行：演示中移动、计分和重启功能似乎都正常，因此我判定通过。

接着我要求编写俄罗斯方块，这是我个人测试中更难的一题。模型花时间规划方块、碰撞和旋转，然后生成了一个 179 行的程序。我对它考虑边界情况的方式印象深刻，但这只是一次输出，并非模型间的受控比较。

生成几分钟后，我运行程序。方块出现，填满的行也会消除；我注意到它没有计分，也没有下一个方块的预览。由于核心玩法在我的简短测试中能运行，我仍然判定通过。

画面中由 Vultr 赞助的系统有 128 个 CPU 核心和八颗 AMD Instinct GPU，每颗拥有 192 GB 显存。这只是本次运行所用的硬件，并非 R1 或更小的蒸馏模型唯一可用的配置。视频提到的优惠是 2025 年 1 月的活动。

在邮寄信封谜题中，模型将 200 × 275 毫米的信封换算为 20 × 27.5 厘米，并考虑如何根据给定的最小和最大尺寸调整方向。它得出信封符合要求的结论；针对提示词给出的尺寸，我判定通过。

我提出一个自指问题：回答中有多少个词？模型考虑了几种表述，给出一个七词句子，后面还有解释。我把这个句子当作答案，因此判定通过；但如果统计整个回答，判断可能不同。

在三个杀手的谜题中，模型推理说，进入房间并杀死原有三人之一的人也成了杀手。它回答有三名活着的杀手，同时讨论了是否把死者计入可能存在的歧义。我喜欢它展示的推理考虑了假设，而不只是给出数字。

模型还回答了倒扣玻璃杯和弹珠的谜题：按照通常假设，杯子被拿起移走时，弹珠仍留在桌上。在小数比较中，它把 9.9 写成 9.90，正确判断 9.9 大于 9.11。

接着我在这个自行部署的环境中测试政治敏感问题。模型拒答有关天安门广场的问题；被问及台湾时，它给出了反映中国政府立场的片面回答。这些是针对特定提示词的输出，不能全面评价模型的政治行为。

我曾听说限制可能只存在于托管服务中，但这个部署也产生了拒答。由于画面中的思考部分为空，我猜测台湾问题的回答可能是硬编码的。演示不能确定这种行为来自模型训练、提示词、服务软件还是配置中的其他部分。

我又用另一条关于实施犯罪的请求作比较，观察到模型似乎愿意回答。拒绝提供有害操作说明属于安全行为，并不自动意味着推理失败；单条提示词也无法确定模型的整体安全表现。

最后一条提示词要求生成十个以 “apple” 结尾的句子，画面中的结果满足这一要求。这些选定测试和可见推理让我印象深刻。我将表现称为完美，只是对少量样本的个人评价，并非全面测量。