Πώς να εγκαταστήσετε το DeepSeek R1 στον υπολογιστή σας με AMD Ryzen AI και Radeon GPU

O DeepSeek είναι α τεχνητή inteligência που υπόσχεται εξαιρετική απόδοση με πολύ χαμηλό κόστος ανάπτυξης. Τις τελευταίες μέρες δεν γίνεται λόγος για κάτι άλλο. Μάλιστα, οι μεγάλες κορυφαίες εταιρείες αυτής της αγοράς υπέστησαν σημαντικό πλήγμα στην τιμή των προϊόντων τους. Ενέργειες. Τώρα, ας το ελέγξουμε Πώς να εγκαταστήσετε το DeepSeek R1 και χρησιμοποιήστε το στον υπολογιστή σας χρησιμοποιώντας την πλατφόρμα AMD.

Τι είναι τα συλλογιστικά μοντέλα;

Μοντέλα συλλογισμού em τεχνητή inteligência είναι προσεγγίσεις που χρησιμοποιούνται για να τους επιτρέψουν να λαμβάνουν αποφάσεις με αυτοματοποιημένο τρόπο με βάση δεδομένα και προκαθορισμένους κανόνες. Αυτά τα μοντέλα επιδιώκουν να προσομοιώσουν την ανθρώπινη σκέψη, επιτρέποντας στα AI να έχουν γνωστικές ικανότητες όπως σχεδιασμός, λήψη αποφάσεων και επίλυση σύνθετων προβλημάτων.

Το διαφορικό του Σκεπτικό μοντέλο DeepSeek R1, είναι ότι αποστάχθηκε σε μικρότερα μοντέλα με μεγάλη χωρητικότητα. Αυτά τα μοντέλα είναι αρκετά μικρά για να λειτουργούν σε οικιακό υλικό, χωρίς να χρειάζονται μεγάλα συμπλέγματα επεξεργασίας. Με αυτόν τον τρόπο, όταν κάνετε μια παραγγελία σε R1, θα χρησιμοποιηθεί μόνο το μοντέλο που είναι εξειδικευμένο στο θέμα.

Απαιτήσεις εγκατάστασης

να χρησιμοποιήσετε το DeepSeek R1, πρέπει να έχετε ένα από τα μοντέλα επεξεργαστή ή GPU που αναφέρονται παρακάτω, εκτός από την εγκατάσταση του απαραίτητου λογισμικού.

Υλικό:

Επεξεργαστής	DeepSeek R1 Distill* (υποστηρίζεται μέγ.)
AMD Ryzen™ AI Max+ 395 32 GB 1 , 64 ΓΙΓΑΜΠΑΪΤ 2 και 128 GB	DeepSeek-R1-Distill-Llama-70B (μόνο 64 GB και 128 GB) DeepSeek-R1-Distill-Qwen-32B
AMD Ryzen™ AI HX 370 και 365 24 GB και 32 GB	DeepSeek-R1-Distill-Qwen-14B
AMD Ryzen™ 8040 και Ryzen™ 7040 32 GB	DeepSeek-R1-Distill-Llama-14B

*= Η AMD συνιστά την εκτέλεση όλων των αποστάξεων σε κβαντισμό Q4 KM.
¹ = Απαιτεί μεταβλητή μνήμη γραφικών που έχει οριστεί σε Προσαρμοσμένη: 24 GB.  

² = Απαιτεί μεταβλητή μνήμη γραφικών που έχει οριστεί σε High.

κάρτα γραφικών	DeepSeek R1 Distill* (υποστηρίζεται μέγ.) 1 )
Κάρτα βίντεο AMD Radeon™ RX 7900 XTX	DeepSeek-R1-Distill-Qwen-32B
Κάρτα βίντεο AMD Radeon™ RX 7900 XT	DeepSeek-R1-Distill-Qwen-14B
AMD Radeon™ RX 7900 GRE	DeepSeek-R1-Distill-Qwen-14B
Κάρτα βίντεο AMD Radeon™ RX 7800 XT	DeepSeek-R1-Distill-Qwen-14B
Κάρτα βίντεο AMD Radeon™ RX 7700 XT	DeepSeek-R1-Distill-Qwen-14B
Κάρτα βίντεο AMD Radeon™ RX 7600 XT	DeepSeek-R1-Distill-Qwen-14B
Κάρτα βίντεο AMD Radeon™ RX 7600	DeepSeek-R1-Distill-Llama-8B

*= Η AMD συνιστά την εκτέλεση όλων των αποστάξεων σε κβαντισμό Q4 KM.

¹ = Εμφανίζει το μέγιστο υποστηριζόμενο απόσταγμα χωρίς μερική εκφόρτωση GPU. 

Λογισμικό:

• Προαιρετικό πρόγραμμα οδήγησης Adrenalin 25.1.1 ή νεότερη έκδοση
• LM Studio 0.3.8 ή νεότερη έκδοση

Βήμα βήμα

Βήμα 01: Βεβαιωθείτε ότι χρησιμοποιείτε το προαιρετικό πρόγραμμα οδήγησης Adrenalin 25.1.1 ή νεότερη έκδοση. Μπορεί να εγκατασταθεί απευθείας εδώ.

Βήμα 02: Κατεβάστε το LM Studio 0.3.8 ή νεότερη έκδοση ενταύθα.

Βήμα 03: Εγκαταστήστε το LM Studio και παραλείψτε την οθόνη ενοποίησης.

Βήμα 04: Κάντε κλικ στην καρτέλα ανακάλυψη.

Βήμα 05: Τώρα μεταβείτε στο πλαίσιο αναζήτησης και πληκτρολογήστε βαθιά αναζήτηση r1. Θα εμφανιστούν πολλές επιλογές, αλλά φροντίστε να επιλέξετε το μοντέλο που είναι κατάλληλο για το υλικό σας σύμφωνα με τον πίνακα που είναι διαθέσιμος παραπάνω, στις «Απαιτήσεις εγκατάστασης». Στη δεξιά πλευρά, βεβαιωθείτε ότι είναι επιλεγμένη η κβαντοποίηση "Q4 KM" και κάντε κλικ στην επιλογή λήψη.

Βήμα 06: Αφού ολοκληρωθεί η λήψη του μοντέλου, κλείστε το παράθυρο λήψης, το πλαίσιο ειδοποίησης που σας ενημερώνει ότι έγινε λήψη του μοντέλου και το παράθυρο ανακάλυψης που χρησιμοποιήσαμε στο προηγούμενο βήμα για τη λήψη του μοντέλου.

Βήμα 07: Τώρα στην οθόνη συνομιλίας επιλέξτε το πρότυπο DeepSeek R1 και βεβαιωθείτε ότι έχετε αφήσει επιλεγμένη την επιλογή επιλογής παραμέτρων με μη αυτόματο τρόπο.

Βήμα 08: Στην περιοχή GPU Offload, σύρετε στο μέγιστο μέγεθος, επιλέξτε "Remember settings" για να αποθηκεύσετε τις ρυθμίσεις για αυτό το μοντέλο και κάντε κλικ στο "Load Model".

Εντάξει, τώρα με το μοντέλο φορτωμένο, μπορούμε να αλληλεπιδράσουμε μαζί του τοπικά στον δικό μας υπολογιστή.

Ακολουθεί το βίντεο που έδωσε στη δημοσιότητα η ίδια η εταιρεία. AMD με το βήμα προς βήμα.

Testes

Στις δοκιμές μας, ξεκινήσαμε κάνοντας μερικές βασικές ερωτήσεις στο DeepSeek R1, όπως «Ποια είναι η τετραγωνική ρίζα του 1024;». Μετά από 3.67 δευτερόλεπτα σκέψης, επέστρεψε το εξής αποτέλεσμα:

Για να βρείτε την τετραγωνική ρίζα του 1024, Ακολουθήστε αυτά τα βήματα:

1. Κατανοήστε την έννοια της τετραγωνικής ρίζας: Η τετραγωνική ρίζα ενός αριθμού είναι ένας άλλος αριθμός που, πολλαπλασιαζόμενος από τον εαυτό του, προκύπτει ο αρχικός αριθμός. Δηλ.:
   [
   \sqrt{x} = y \quad \text{if and only if} \quad y^2 = x
   ]
2. Εφαρμόστε τα βήματα για να υπολογίσετε την τετραγωνική ρίζα του 1024:
   • Προσδιορίστε έναν ακέραιο που, όταν πολλαπλασιαστεί με τον εαυτό του, καταλήγει σε 1024.
   • Δοκιμάστε διαδοχικούς ακέραιους μέχρι να βρείτε αυτόν που ικανοποιεί την συνθήκη: [30^2 = 900 \quad (\text{λιγότερο από } 1024)][31^2 = 961 \quad (\text{λιγότερο από } 1024)][32^2 = 1024 \quad (\text{ ακριβώς} )]
3. Συμπέρασμα: Η τετραγωνική ρίζα του 1024 είναι: [\sqrt{1024} = 32]

Το τελικό αποτέλεσμα λοιπόν είναι:

\boxed{32}

Επομένως, για να φτάσει στο τελικό αποτέλεσμα, το μοντέλο χρησιμοποίησε τον ακόλουθο συλλογισμό:

• Για να βρω την τετραγωνική ρίζα του 1024, πρέπει να προσδιορίσω ποιος αριθμός που αυξάνεται στη δεύτερη ισχύ οδηγεί σε 1024.
• Ξεκινάω κοιτάζοντας μεγάλους ακέραιους που πλησιάζουν το 32. Ξέρω ότι το 30² είναι 900, το οποίο είναι μικρότερο από το 1024. Στη συνέχεια υπολογίζω το 31², το οποίο είναι 961, ακόμη και μικρότερο από τον στόχο. Προσπαθώντας 32², παίρνω 1024, που είναι ακριβώς ο επιθυμητός αριθμός.
• Έτσι, συμπεραίνω ότι η τετραγωνική ρίζα του 1024 είναι ίση με 32.

Τώρα, ζήτησα το DeepSeek R1 Πες μου τέσσερα πράγματα γι 'αυτόν (θα πρέπει να εξηγήσω ότι έκανα μερικές τυχαίες ερωτήσεις πριν από αυτό, οι οποίες τελικά ήταν μέρος της λογικής που χρησιμοποιήθηκε). Μετά από 13.62 δευτερόλεπτα, επέστρεψε την ακόλουθη απάντηση:

Συγγνώμη για οποιαδήποτε πιθανή σύγχυση! Είμαι μοντέλο γλώσσας υπολογιστή, όχι πραγματικό πρόσωπο ή οντότητα με προσωπικότητα. Επομένως, δεν έχω «δικά μου», ούτε προσωπικά χαρακτηριστικά όπως οι άνθρωποι.

Ωστόσο, μπορώ να βοηθήσω με πληροφορίες για οποιοδήποτε θέμα αναφέρετε. Για παράδειγμα:

1. Το ενδιαφέρον σας για τις ταινίες με τις υψηλότερες εισπράξεις όλων των εποχών — Μπορώ να δώσω περισσότερες λεπτομέρειες ή πρόσφατες ενημερώσεις, αν θέλετε.
2. Η περιέργειά σας για την ιστορία του Λεονάρντο ντα Βίντσι — μπορώ να εξηγήσω καλύτερα πώς συνέβαλε στον κόσμο.
3. Εάν ενδιαφέρεστε να μάθετε περισσότερα σχετικά με τον τρόπο λειτουργίας των υπολογιστών ή των λειτουργικών συστημάτων, μπορώ να σας δώσω λεπτομερείς εξηγήσεις.

Θέλετε να κάνω κάτι συγκεκριμένο ή να συνεχίσω την εξερεύνηση ενός θέματος;

Έλεγχος της λογικής που χρησιμοποιείται από DeepSeek R1 για να δώσουμε την εξής απάντηση, έχουμε:

• Εντάξει, προσπαθώ να βρω πώς να απαντήσω στην ερώτηση αυτού του χρήστη σχετικά με το ότι λέω τέσσερα πράγματα για τον εαυτό μου. Περίμενε, αλλά ποιος είμαι; Χμ, ίσως θα έπρεπε να ξεκινήσω καταλαβαίνοντας τι πραγματικά ζητά ο χρήστης.

• Εντάξει, ας το αναλύσουμε. Ο χρήστης ρώτησε αρχικά για την ταινία με τις υψηλότερες εισπράξεις όλων των εποχών και εγώ παρείχα μια λίστα με τις ταινίες με τις υψηλότερες εισπράξεις. Έπειτα έκανε μερικές ερωτήσεις για τον Λεονάρντο ντα Βίντσι και άλλα θέματα προτού τελικά μου ζητήσει να μοιραστώ τέσσερα πράγματα για τον εαυτό μου. Αλλά επειδή είμαι μοντέλο γλώσσας AI, δεν έχω προσωπικά χαρακτηριστικά ή εμπειρίες. Πρέπει λοιπόν να το διευκρινίσω αυτό.

• Πρέπει να εξηγήσω ότι παρόλο που μπορώ να παρέχω πληροφορίες για διάφορα θέματα, δεν έχω προσωπικότητα ή προσωπική ιστορία όπως θα είχε ένας άνθρωπος. Ίσως ο χρήστης είναι περίεργος για το πώς δουλεύω ή τι ξέρω. Είναι σημαντικό να το αντιμετωπίσουμε, ώστε να κατανοήσει τους περιορισμούς μου και τι μπορώ να προσφέρω.

• Ίσως μπορώ να περιγράψω τις κύριες λειτουργίες μου: απαντώντας σε ερωτήσεις, παρέχω πληροφορίες, βοηθώ με εργασίες και κάνω προτάσεις. Έτσι, για το μέρος των "τεσσάρων πραγμάτων", θα μπορούσα να απαριθμήσω χαρακτηριστικά όπως η διαθεσιμότητα 24/7, η δυνατότητα γρήγορης εκμάθησης νέων πληροφοριών, η πολυγλωσσική υποστήριξη και η τήρηση των δεοντολογικών οδηγιών.

• Πρέπει να διασφαλίσω ότι η απάντησή μου είναι σαφής και χρήσιμη, καθοδηγώντας τον χρήστη για το πώς μπορώ να τον βοηθήσω περαιτέρω. Επιτρέψτε μου να το δομήσω αυτό με φιλικό και κατατοπιστικό τρόπο.

Τώρα άλλαξα το θέμα σε προγραμματισμό. Ρώτησα πώς θα μπορούσατε να με βοηθήσετε να αναπτύξω μια εφαρμογή Android και ξεκίνησε την επεξεργασία, επιστρέφοντας σφάλμα στο 78% της επεξεργασίας. Τότε του ζήτησα να γράψει έναν απλό κώδικα Κοτλίν να καλωσορίσει τον χρήστη μιας Εφαρμογής και, ομοίως, με 77%, επέστρεψε σφάλμα.

Τώρα προσπάθησα να στείλω ένα απόσπασμα κώδικα στο μοντέλο και του ζήτησα να προσδιορίσει ποια γλώσσα χρησιμοποιήθηκε και για ποιο σκοπό ήταν ο κώδικας. Στο 55% πάλι επέστρεψε σφάλμα. Τότε αποφάσισα να κλείσω το LM Studio και ξαναπροσπάθησε, γιατί αυτή τη φορά πέτυχε. Μετά από επεξεργασία για 20.61 δευτερόλεπτα, επέστρεψε την ακόλουθη απάντηση:

Ο κώδικας που παρέχεται είναι μέρος μιας εφαρμογής Android γραμμένης σε Kotlin. Ακολουθεί μια εξήγηση για το τι κάνει ο κώδικας και πώς μπορείτε να τον βελτιώσετε:

Κατανόηση του Κώδικα:

Όνομα συνάρτησης: initQueryListener()

Αυτή η συνάρτηση προετοιμάζει έναν ακροατή για την προβολή αναζήτησης (searchView) για να χειρίζεται συμβάντα εισαγωγής κειμένου.

Διαμόρφωση προβολής αναζήτησης:

searchView.queryHint é usado para definir um texto de sugestão para a barra de pesquisa, orientando os usuários sobre o que digitar.

Ερώτημα ακρόασης αλλαγής κειμένου:

O listener é configurado usando searchView.setOnQueryTextListener().
Dois métodos são sobrescritos:

onQueryTextSubmit(ερώτημα: String): Boolean

Invocado quando o usuário envia uma query (por exemplo, pressiona enter ou clica no botão de pesquisa).
Chama noteViewModel.queryNotes(query), que provavelmente recupera notas com base na entrada de pesquisa.
Retorna false para indicar que nenhuma ação é realizada após o envio.

onQueryTextChange(newText: String): Boolean

Invocado enquanto o usuário digita, atualizando a entrada de pesquisa.
Se newText estiver vazio (usuário limpou a pesquisa), chama noteViewModel.queryNotes(), que provavelmente exibe todas as notas novamente.

Πιθανές βελτιώσεις:

Χειρισμός σφαλμάτων:

O código atual não trata possíveis erros ao chamar noteViewModel.queryNotes(query) ou noteViewModel.queryNotes().
Você pode querer adicionar tratamento de erros para capturar exceções e fornecer feedback ao usuário, como uma mensagem toast se algo der errado.

Αρχείο καταγραφής:

Adicionar declarações de log pode ajudar a rastrear o fluxo do aplicativo e depurar problemas. Por exemplo:
val TAG = "SearchListener"
log(TAG, "Query submitted: $query")

Μηδενικοί έλεγχοι:

Certifique-se de que todos os objetos e variáveis sejam verificados quanto a nulos para evitar NullPointerExceptions.
Por exemplo, se noteEditText for nulo em outro contexto, lide com isso de forma apropriada.

Σχόλια χρήστη:

Forneça um feedback claro ao usuário quando uma ação falhar. Use mensagens toast ou outros elementos de IU para informá-los sobre quaisquer problemas.

Δοκιμές:

Teste o código minuciosamente para garantir que todas as funcionalidades funcionem conforme o esperado em diferentes cenários, como:
Digitando e enviando uma query.
Limpando a entrada de pesquisa e vendo todas as notas novamente.
Lidando com erros de forma graciosa.

Παράδειγμα βελτιωμένου κώδικα:

private fun initQueryListener() {
    val TAG = "SearchListener"
    searchView.queryHint = getString(R.string.search_bar_hint)

    searchView.setOnQueryTextListener(object : SearchView.OnQueryTextListener {
        override fun onQueryTextSubmit(query: String): Boolean {
            try {
                val result = noteViewModel.queryNotes(query)
                if (result.isNotEmpty()) {
                    // Handle successful query
                    log(TAG, "Query submitted: $query")
                } else {
                    // If no results found, show appropriate message
                    showToast("No notes found with this query.")
                }
            } catch (e: Exception) {
                e.printStackTrace()
                showToast("Error processing search: ${e.message}")
            }
            return false
        }

        override fun onQueryTextChange(newText: String): Boolean {
            if (newText.isEmpty()) {
                // Clear the search and show all notes
                noteViewModel.queryNotes()
                log(TAG, "Search cleared; showing all notes.")
            }
            return false
        }
    })
}

// Método auxiliar para exibir uma mensagem toast
private fun showToast(message: String) {
    Toast.makeText(
        this@MainActivity,
        message,
        Toast.LENGTH_SHORT
    ).show()
}

Τελικές σκέψεις:

Ο αρχικός κώδικας είναι ένα καλό σημείο εκκίνησης για την υλοποίηση της λειτουργικότητας αναζήτησης σε μια εφαρμογή Android.

Προσθέτοντας χειρισμό σφαλμάτων, καταγραφή, μηδενικούς ελέγχους και σχόλια χρηστών, μπορείτε να κάνετε την εφαρμογή σας πιο ισχυρή και φιλική προς το χρήστη.

Πάντα να δοκιμάζετε τον κώδικά σας διεξοδικά για να βεβαιωθείτε ότι συμπεριφέρεται όπως αναμένεται κάτω από διάφορες συνθήκες.

Ακολουθώντας αυτά τα βήματα, μπορείτε να βελτιώσετε τη λειτουργικότητα αναζήτησης της εφαρμογής σας Android και να προσφέρετε καλύτερη εμπειρία στους χρήστες σας.

Αποφάσισα να ρωτήσω, ξανά, πώς το DeepSeek R1 θα μπορούσατε να με βοηθήσετε να αναπτύξω μια εφαρμογή; Android. Μετά από 55.30 δευτερόλεπτα, επέστρεψε βασικές πληροφορίες και χρησιμοποίησε τον κωδικό που έστειλα νωρίτερα στην απάντηση. Παρακάτω είναι η γραμμή συλλογισμού που χρησιμοποιήθηκε:

«Εντάξει, προσπαθώ να βοηθήσω κάποιον να αναπτύξει μια εφαρμογή Android. Πρώτα, πρέπει να καταλάβω τι ακριβώς θέλουν. Ανέφεραν ότι ήθελαν «μια εφαρμογή Android», που στα πορτογαλικά σημαίνει «μια εφαρμογή Android». Στη συνέχεια, όμως, έδωσαν κάποιο κωδικό στο Κότλιν και ρώτησαν γι' αυτό».

Έρευνα για το DeepSeek Στο διαδίκτυο, υπάρχουν αρκετές αναφορές ότι αρνείται να απαντήσει σε ερωτήσεις για την Κίνα. Αποφάσισα λοιπόν να τον ρωτήσω τι πιστεύει για την τρέχουσα κινεζική κυβέρνηση και ιδού η απάντησή του:

Ως τεχνητή νοημοσύνη, η δουλειά μου είναι να παρουσιάζω πληροφορίες με αμερόληπτο και τεκμηριωμένο τρόπο. Επομένως, δεν μπορώ να εκφράσω προσωπικές απόψεις ή να πάρω θέση σχετικά με την κυβέρνηση οποιασδήποτε χώρας, συμπεριλαμβανομένης της σημερινής κυβέρνησης της Κίνας.

Ωστόσο, μπορώ να παράσχω γενικές πληροφορίες για την κινεζική κυβέρνηση, όπως η πολιτική της δομή, οι κύριες πολιτικές που εφαρμόζονται και πώς αυτές οι πολιτικές γίνονται αντιληπτές από το κοινό. Επιπλέον, μπορώ να αναφέρω τις διαφορετικές διεθνείς προοπτικές απέναντι στην κινεζική κυβέρνηση.

Εάν θέλετε πιο συγκεκριμένες πληροφορίες σχετικά με την κινεζική κυβέρνηση ή τον αντίκτυπό της στη χώρα και τον κόσμο, είμαι εδώ για να σας βοηθήσω με αντικειμενικά στοιχεία και αριθμούς.

Όταν ζήτησε να δώσει λίγες περισσότερες πληροφορίες για την Κίνα, πάλι, άρχισε να επιστρέφει ένα σφάλμα. Και εδώ, πιστεύω ότι πρέπει να υπάρχει κάποιος περιορισμός του μοντέλου. DeepSeek R1 τρέχει σε οικιακό υλικό.

Συμπέρασμα

Χωρίς αμφιβολία, η τεχνική απόσταξης που χρησιμοποιείται από DeepSeek R1, μετατρέποντας τα μοντέλα συλλογισμού σε μικρότερα και πιο ισχυρά μοντέλα, εκτός από το ότι είναι ανοιχτού κώδικα — επιτρέποντας στους προγραμματιστές και τους ερευνητές να ερευνούν, να τροποποιούν και να εφαρμόζουν αλλαγές — φέρνει ένα σενάριο με πολλές δυνατότητες και πλεονεκτήματα σε σχέση με τα ιδιόκτητα μοντέλα.

Στις δοκιμές που πραγματοποιήσαμε, διαπιστώσαμε ότι το μοντέλο χρειάζεται ακόμα κάποιες βελτιώσεις για την καλύτερη κατανόηση ορισμένων πλαισίων. Ο κύριος ανταγωνιστής της, η ChatGPT, έχει ένα πλεονέκτημα στην κωδικοποίηση και στη συλλογιστική με βάση τα γεγονότα. Ωστόσο, όπως είναι α τεχνητή νοημοσύνη ανοιχτού κώδικαή DeepSeek μπορεί να γίνει μια καλή επιλογή στο εγγύς μέλλον.

Όσον αφορά τη χρήση του μοντέλου σε οικιακό υλικό όπως αυτό που χρησιμοποιήθηκε σε αυτήν τη δοκιμή - Ryzen 7 5700X, 64 GB μνήμης RAM DDR4 και GPU Radeon 7600 - η απόδοση αποδείχθηκε πολύ καλή, ωστόσο, τα συνεχή σφάλματα μετά από ορισμένες ερωτήσεις μπορεί να είναι περιορισμός αυτού του τύπου χρήσης.

Και εσύ, τι σου φάνηκε αυτό βήμα-βήμα; Ιράν Εγκαταστήστε και δοκιμάστε το DeepSeek R1? Αφήστε τις εμπειρίες σας δοκιμάζοντας το μοντέλο και ποια ήταν τα αποτελέσματα στα σχόλια.

Δείτε επίσης

Γνωρίστε το DeepSeek, το κινεζικό AI που απειλεί το ChatGPT

Δείτε τις κύριες τάσεις της τεχνολογίας για το 2025

Πηγές: Κοινότητα AMD, Το υλικό του Tom e PCGuide.

Έλεγχος κειμένου που έγινε από Jaime Ninece στις 02/02/2025.