原贴链接

该帖子仅包含两个图片链接，无实质内容可翻译

讨论总结

帖子是关于DeepSeek AI的R1 - Lite - Preview的展示，其中涉及密码学相关的图片内容。评论的主题围绕模型在密码学方面的表现展开，包括模型的知识储备、对不同密码的解码能力、与其他模型对比等方面。大家各抒己见，既有积极肯定的声音，也有提出质疑和否定的观点，整体氛围比较活跃。

主要观点

  1. 👍 向某模型询问Python和苹果MLX相关编程问题，模型不知mlx，猜测是知识数据集存在缺口。
    • 支持理由：与其他模型对比，该模型不知mlx显得奇怪。
    • 反对声音：无。
  2. 🔥 图中的解密可能只是带有额外步骤的Base64解码，GPT - 4o做此类解密时需要额外信息，Gemini Exp 1114表现较好。
    • 正方观点：Koksny指出图中的解密看起来像Base64解码，Inspireyd给出GPT - 4o的情况作为佐证。
    • 反方观点：无。
  3. 💡 没有大型语言模型能解码Base32，开源模型解码密码能力差。
    • 解释：EstarriolOfTheEast指出没有大型语言模型能解码Base32，且开源模型在解码密码方面表现不佳。
  4. 💡 模型能解码b64不能解码b32是因为训练数据基于统计而非真正推理。
    • 解释：martinerous认为这是由于训练数据基于统计而非真正推理，b64更流行所以对训练数据影响更大。
  5. 💡 认为所展示的内容（与DeepSeek AI相关的解密示例）不是一个好例子。
    • 解释：LoadingALIAS提出此观点，但未给出具体原因。

金句与有趣评论

  1. “😂 I asked it a programming question related to python and Apple’s MLX, it didn’t know what mlx was, it was strange, all other models seemed to know, I guessed there was a knowledge data set gap.”
    • 亮点：通过与其他模型对比，指出模型可能存在知识数据集缺口。
  2. “🤔 That’s just base64 decoding with extra steps, is it really something that average model can’t do?”
    • 亮点：对图中的解密是否具有独特性提出质疑。
  3. “👀 I don’t know how to do playfair ciphers, but if GPT - 4o is right, the correct answer would be "Yesterday I ate pork chops".”
    • 亮点：给出了特定假设下密码的答案示例。
  4. “😎 It took 2 shots to answer how many rrrrrrr’s in strawberrrrrrrry but so did Claude latest model, 2 shots asking it ‘are you sure’ I cannot wait for the open weights”
    • 亮点：指出特定模型回答特定问题需要两次提问的现象并表达对开放权重的期待。
  5. “👍 I am impressed.”
    • 亮点：简单直接地表达对帖子内容的积极态度。

情感分析

总体情感倾向比较复杂，既有积极的部分，如对某些模型表现印象深刻、对开放权重的期待；也有消极的部分，如认为展示的内容不是好例子、指出模型存在知识缺口等。主要分歧点在于对模型能力的评估上，部分人认为模型在密码学方面表现不错（如Gemini Exp 1114），部分人则持否定态度（如认为所展示内容不是好例子）。可能的原因是大家对模型的期望不同，以及所关注的模型功能和表现方面存在差异。

趋势与预测

  • 新兴话题：模型的开放权重可能成为后续讨论的新方向，因为已经有用户表达了对开放权重的期待。
  • 潜在影响：如果模型在密码学等领域的能力不断提升，可能会对密码学研究、信息安全等相关领域产生积极影响；如果模型能力存在缺陷，可能会促使开发者改进模型或者调整训练策略。

详细内容：

标题：DeepSeek AI 的 R1-Lite-Preview 展现密码学解密能力，引发热烈讨论

在 Reddit 上，一则关于 DeepSeek AI 的 R1-Lite-Preview 展示其在密码学解密方面能力的帖子引起了众多关注。该帖子包含了多张与解密拉丁密码相关的图片，获得了大量的点赞和众多评论。

主要的讨论方向集中在该模型在不同密码解密任务中的表现以及其背后的原理。

文章将要探讨的核心问题是：为何该模型在某些密码解密任务中表现出色，而在其他任务中却存在不足？

在讨论中，有人指出向模型提出一个与 Python 和苹果 MLX 相关的编程问题时，模型竟不知 MLX 是什么，猜测可能是知识数据集存在差距。还有人认为这只是带有额外步骤的 base64 解码，质疑普通模型为何不能完成。

有人分享道：“我让之前的 GPT-4o 做这个任务，我不得不添加一些额外信息。之前，它会猜测几个单词然后使句子不连贯。Gemini Exp 1114 最接近正确答案。”

对于某些模型不能进行 base32 解码而能完美处理 base64 解码的现象，有人表示不理解并寻求原因。有人解释道：“因为这仍然是基于统计的训练，而不是‘真正的推理’。b64 远比 b32 更流行，因此对训练数据的影响更大。”

有人分享自己开发的加密和解密问题的测试情况，还有人认为所举例子并非很好。有人指出，如果将 tokenizers 更新为单个字符，即使是 1b 模型也能正确回答某些问题，这并非是智能问题，而是因为目前的 tokens 是其能看到的最小单位。

在这场讨论中，大家的共识是模型的表现受到多种因素的影响，包括训练数据、模型结构和任务的复杂性。特别有见地的观点是关于 tokenizers 对模型表现的影响，丰富了对这一问题的理解。

总的来说，这场关于 DeepSeek AI 密码学解密能力的讨论展示了人们对人工智能模型在复杂任务中表现的深入思考和探索。