DeepSeek和ChatGPT在学术研究哪家强(二）

DeepSeek横空出世，那么，DeepSeek和ChatGPT在学术研究上哪家强？

我们接上一篇文章《DeepSeek和ChatGPT在学术研究哪家强(一）》

并以Github上3.5k+的学术写作Prompts此作为基准提示符，来测试一下DeepSeek和ChatGPT的结果如何。

(一) 头脑风暴 BRAINSTORMING

1.2 咱们来看第二个问题，写一篇关于某主题的研究建议（Research Proposal），这里提一嘴，RP是作为与潜在博导沟通，套磁申请博士所必须经历的环节，这里我们继续以大语言模型（Large Language Model）为例：

基于上一篇，我们将研究主题聚焦至“Efficiency and Scalability of LLMs”：

因此，提示符如下：

“Write a detailed proposal on the research topic: Efficiency and Scalability of LLMs. Make Sure it is free from plagiarism. ”

两者结果分别如下：

by DeepSeek:

by ChatGPT:

接下来我们具体看下两者的表现如何，以下内容为简洁易读，已经由Google翻译，并整理成表格进行对比：

a). 先看RP的生成结构：总体上看，二者生成文章的结构都包含了RP所需要的基本框架，差别如下，在主题上DeepSeek更为具体，同样是LLM模型的效率与可扩展性，DS将新型架构、训练范式和部署策略展现在标题中，从而让主题更为具体，而ChatGPT的主题略显宽泛。

章节	by DeepSeek	by ChatGPT
标题	“提升大规模语言模型的效率与可扩展性：新型架构、训练范式和部署策略“	“大规模语言模型 (LLMs) 的效率与可扩展性”
引言	聚焦于大规模语言模型的成就及其在计算成本、能源消耗和可访问性等方面的挑战。	强调了大规模语言模型的成就，并探讨计算成本、可扩展性和环境影响方面的挑战。
研究问题	合并在引言和研究目标部分中。	独立为单独章节，突出资源消耗、可扩展性、压缩技术和边缘部署等关键挑战。
研究目标	四个目标：模型效率、可扩展性、部署优化和评价框架。	四个目标：资源高效的训练与推理方法、模型压缩技术、可扩展性策略和环境影响评估。
研究问题	明确列出四个问题，涉及计算成本、可扩展性、优化和权衡。	没有单独列为章节，但在目标和方法论部分间接涉及。
文献综述	纳入到方法论第一阶段：“文献综述与问题分析”中。	独立为单独章节，讨论了模型压缩技术、高效架构、硬件优化和可持续性研究等内容。
研究方法	分为五个阶段：文献综述、效率技术、可扩展架构、部署优化和评估。	包括五个阶段：计算瓶颈分析、效率技术、可扩展框架、环境影响评估和验证测试。
预期成果	为提升效率和可扩展性开发新技术、提出可扩展架构、优化部署策略及建立基准测试方法。	资源高效的技术、可扩展框架、减少的能源消耗，以及高影响力的学术论文和会议出版物。
研究意义	强调模型的可访问性、可持续性和大规模语言模型的民主化。	突出模型的可访问性、环境责任，以及在性能、效率与可扩展性之间的平衡。
时间表	详细的基于阶段的时间表，约 24 个月完成，包含每个阶段的里程碑。	类似的基于阶段的时间表，但总计约 25 个月，部分阶段的时长略有不同。
所需资源	高性能计算集群、大规模数据集和软件工具。	高性能计算资源、公共数据集，以及研究资源和会议参与所需的经费。
结论	旨在解决大规模语言模型的效率和可扩展性问题，使其更具可访问性和可持续性。	聚焦于通过技术创新解决效率与可扩展性问题，确保大规模语言模型的可持续发展与部署。