{"id":847,"date":"2025-02-04T16:27:27","date_gmt":"2025-02-04T16:27:27","guid":{"rendered":"https:\/\/janusai.pro\/?p=847"},"modified":"2025-02-04T16:27:28","modified_gmt":"2025-02-04T16:27:28","slug":"how-good-is-deepseeks-janus-pro","status":"publish","type":"post","link":"https:\/\/janusai.pro\/da\/how-good-is-deepseeks-janus-pro\/","title":{"rendered":"Hvor god er DeepSeeks Janus-Pro?"},"content":{"rendered":"<div style=\"margin-top: 0px; margin-bottom: 0px;\" class=\"sharethis-inline-share-buttons\" ><\/div>\n<p>P\u00e5 t\u00e6rsklen til for\u00e5rsfestivalen blev DeepSeek-R1-modellen udgivet. Med sin rene RL-arkitektur har den l\u00e6rt af CoT's store innovationer og klarer sig bedre end <a href=\"https:\/\/openai.com\/\" target=\"_blank\" rel=\"noreferrer noopener nofollow\">ChatGPT<\/a> i matematik, kode og logisk r\u00e6sonnement.<\/p>\n\n\n\n<p>Derudover har dens open source-modelv\u00e6gte, lave tr\u00e6ningsomkostninger og billige API-priser gjort DeepSeek til et hit p\u00e5 internettet, hvilket endda fik NVIDIA's og ASML's aktiekurser til at styrtdykke i en periode.<\/p>\n\n\n\n<p>Mens populariteten eksploderede, udgav DeepSeek ogs\u00e5 en opdateret version af den multimodale store model Janus (Janus), Janus-Pro, som arver den samlede arkitektur fra den tidligere generation af multimodal forst\u00e5else og generering og optimerer tr\u00e6ningsstrategien ved at skalere tr\u00e6ningsdata og modelst\u00f8rrelse, hvilket giver en st\u00e6rkere ydeevne.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"1080\" height=\"427\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/56e80359-198e-4faf-981a-54b7dfe49f02.png\" alt=\"\" class=\"wp-image-850\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/56e80359-198e-4faf-981a-54b7dfe49f02.png 1080w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/56e80359-198e-4faf-981a-54b7dfe49f02-300x119.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/56e80359-198e-4faf-981a-54b7dfe49f02-1024x405.png 1024w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/56e80359-198e-4faf-981a-54b7dfe49f02-768x304.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/56e80359-198e-4faf-981a-54b7dfe49f02-18x7.png 18w\" sizes=\"auto, (max-width: 1080px) 100vw, 1080px\" \/><\/figure>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"1080\" height=\"522\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/af7da2cf-a17d-4ac3-95ba-42252fe1a481.png\" alt=\"\" class=\"wp-image-854\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/af7da2cf-a17d-4ac3-95ba-42252fe1a481.png 1080w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/af7da2cf-a17d-4ac3-95ba-42252fe1a481-300x145.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/af7da2cf-a17d-4ac3-95ba-42252fe1a481-1024x495.png 1024w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/af7da2cf-a17d-4ac3-95ba-42252fe1a481-768x371.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/af7da2cf-a17d-4ac3-95ba-42252fe1a481-18x9.png 18w\" sizes=\"auto, (max-width: 1080px) 100vw, 1080px\" \/><\/figure>\n\n\n\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_82_2 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Indholdsfortegnelse<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Skift til indholdsfortegnelse\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Toggle<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/janusai.pro\/da\/how-good-is-deepseeks-janus-pro\/#Janus-Pro\" >Janus-Pro<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/janusai.pro\/da\/how-good-is-deepseeks-janus-pro\/#Model_architecture\" >Modelarkitektur<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/janusai.pro\/da\/how-good-is-deepseeks-janus-pro\/#Training_strategy\" >Tr\u00e6ningsstrategi<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/janusai.pro\/da\/how-good-is-deepseeks-janus-pro\/#Training_data_scaling\" >Skalering af tr\u00e6ningsdata<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/janusai.pro\/da\/how-good-is-deepseeks-janus-pro\/#Model_scaling\" >Skalering af modeller<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/janusai.pro\/da\/how-good-is-deepseeks-janus-pro\/#Model_evaluation\" >Evaluering af modeller<\/a><\/li><\/ul><\/nav><\/div>\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Janus-Pro\"><\/span>Janus-Pro<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p><a href=\"https:\/\/huggingface.co\/deepseek-ai\/Janus-Pro-7B\" target=\"_blank\" rel=\"noreferrer noopener nofollow\">Janus-Pro<\/a> er en samlet multimodal sprogmodel (MLLM), der samtidig kan behandle multimodale forst\u00e5elsesopgaver og genereringsopgaver, dvs. den kan forst\u00e5 indholdet af et billede og ogs\u00e5 generere tekst.<\/p>\n\n\n\n<p>Den afkobler de visuelle kodere til multimodal forst\u00e5else og generering (dvs. der bruges forskellige tokenizers til input til billedforst\u00e5else og input og output til billedgenerering) og behandler dem ved hj\u00e6lp af en samlet autoregressiv transformer.<\/p>\n\n\n\n<p>Som en avanceret multimodal forst\u00e5elses- og genereringsmodel er den en opgraderet version af den tidligere Janus-model.<\/p>\n\n\n\n<p>I den romerske mytologi er Janus (Janus) en skytsgud med to ansigter, som symboliserer modsigelse og overgang. Han har to ansigter, hvilket ogs\u00e5 antyder, at Janus-modellen kan forst\u00e5 og generere billeder, hvilket er meget passende. S\u00e5 hvad er det helt pr\u00e6cist, PRO har opgraderet?<\/p>\n\n\n\n<p>Janus, som er en lille model p\u00e5 1.3B, er mere en preview-version end en officiel version. Den udforsker forenet multimodal forst\u00e5else og generering, men har mange problemer, s\u00e5som ustabile billedgenereringseffekter, store afvigelser fra brugerinstruktioner og utilstr\u00e6kkelige detaljer.<\/p>\n\n\n\n<p>Pro-versionen optimerer tr\u00e6ningsstrategien, \u00f8ger tr\u00e6ningsdatas\u00e6ttet og giver en st\u00f8rre model (7B) at v\u00e6lge imellem, samtidig med at den giver en 1B-model.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Model_architecture\"><\/span>Modelarkitektur<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p><a href=\"https:\/\/huggingface.co\/deepseek-ai\/Janus-Pro-7B\" target=\"_blank\" rel=\"noreferrer noopener nofollow\">Jaus-Pro og Janus<\/a> er identiske med hensyn til modelarkitektur. (Kun 1,3B! Janus forener multimodal forst\u00e5else og generering)<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"1080\" height=\"571\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/60356ab0-3c6e-4017-9eba-7ee44e0a1006.png\" alt=\"\" class=\"wp-image-851\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/60356ab0-3c6e-4017-9eba-7ee44e0a1006.png 1080w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/60356ab0-3c6e-4017-9eba-7ee44e0a1006-300x159.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/60356ab0-3c6e-4017-9eba-7ee44e0a1006-1024x541.png 1024w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/60356ab0-3c6e-4017-9eba-7ee44e0a1006-768x406.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/60356ab0-3c6e-4017-9eba-7ee44e0a1006-18x10.png 18w\" sizes=\"auto, (max-width: 1080px) 100vw, 1080px\" \/><\/figure>\n\n\n\n<p>Det centrale designprincip er at afkoble visuel kodning for at underst\u00f8tte multimodal forst\u00e5else og generering. Janus-Pro koder det originale billede\/tekst-input separat, udtr\u00e6kker h\u00f8jdimensionelle funktioner og behandler dem gennem en samlet autoregressiv transformer.<\/p>\n\n\n\n<p>Multimodal billedforst\u00e5else bruger SigLIP til at kode billedfunktioner (bl\u00e5 koder i figuren ovenfor), og genereringsopgaven bruger VQ tokenizer til at diskretisere billedet (gul koder i figuren ovenfor). Til sidst sendes alle funktionssekvenser til LLM til behandling.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Training_strategy\"><\/span>Tr\u00e6ningsstrategi<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Med hensyn til tr\u00e6ningsstrategi har Janus-Pro foretaget flere forbedringer. Den gamle version af Janus brugte en tretrins tr\u00e6ningsstrategi, hvor trin I tr\u00e6ner inputadapteren og billedgenereringshovedet til billedforst\u00e5else og billedgenerering, trin II udf\u00f8rer samlet fortr\u00e6ning, og trin III finjusterer forst\u00e5elseskoderen p\u00e5 dette grundlag. (Janus' tr\u00e6ningsstrategi er vist i figuren nedenfor).<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"1080\" height=\"381\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/dbf6954f-1a18-4572-a452-ec995c8af71a.png\" alt=\"\" class=\"wp-image-849\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/dbf6954f-1a18-4572-a452-ec995c8af71a.png 1080w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/dbf6954f-1a18-4572-a452-ec995c8af71a-300x106.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/dbf6954f-1a18-4572-a452-ec995c8af71a-1024x361.png 1024w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/dbf6954f-1a18-4572-a452-ec995c8af71a-768x271.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/dbf6954f-1a18-4572-a452-ec995c8af71a-18x6.png 18w\" sizes=\"auto, (max-width: 1080px) 100vw, 1080px\" \/><\/figure>\n\n\n\n<p>Denne strategi bruger dog PixArt-metoden til at opdele tr\u00e6ningen af tekst-til-billede-generering i fase II, hvilket resulterer i lav beregningseffektivitet.<\/p>\n\n\n\n<p>Til dette form\u00e5l forl\u00e6ngede vi tr\u00e6ningstiden i fase I og tilf\u00f8jede tr\u00e6ning med ImageNet-data, s\u00e5 modellen effektivt kan modellere pixelafh\u00e6ngigheder med faste LLM-parametre. I fase II kasserede vi ImageNet-data og brugte direkte tekst-billedpar-data til at tr\u00e6ne, hvilket forbedrer tr\u00e6ningseffektiviteten. Derudover justerede vi dataforholdet i fase III (multimodal:kun tekst:visuel-semantisk grafdata fra 7:3:10 til 5:1:4), hvilket forbedrede den multimodale forst\u00e5else, samtidig med at den visuelle genereringsevne blev bevaret.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Training_data_scaling\"><\/span>Skalering af tr\u00e6ningsdata<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Janus-Pro skalerer ogs\u00e5 Janus' tr\u00e6ningsdata med hensyn til multimodal forst\u00e5else og visuel generering.<\/p>\n\n\n\n<p>Multimodal forst\u00e5else: Fase II-pr\u00e6tr\u00e6ningsdataene er baseret p\u00e5 DeepSeek-VL2 og omfatter ca. 90 millioner nye pr\u00f8ver, herunder data om billedtekster (f.eks. YFCC) og data om tabel-, diagram- og dokumentforst\u00e5else (f.eks. Docmatix).<\/p>\n\n\n\n<p>Den tredje fase med overv\u00e5get finjustering introducerer yderligere MEME-forst\u00e5else, kinesiske dialogdata osv. for at forbedre modellens ydeevne inden for multi-task-behandling og dialogfunktioner.<\/p>\n\n\n\n<p>Visuel generering: Tidligere versioner brugte reelle data af lav kvalitet og med meget st\u00f8j, hvilket p\u00e5virkede stabiliteten og \u00e6stetikken i de tekstgenererede billeder.<\/p>\n\n\n\n<p>Janus-Pro introducerer omkring 72 millioner syntetiske \u00e6stetiske data, hvilket bringer forholdet mellem reelle data og syntetiske data op p\u00e5 1:1. Eksperimenter har vist, at syntetiske data fremskynder modelkonvergensen og forbedrer stabiliteten og den \u00e6stetiske kvalitet af de genererede billeder betydeligt.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Model_scaling\"><\/span>Skalering af modeller<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Janus Pro udvider modelst\u00f8rrelsen til 7B, mens den tidligere version af Janus brugte 1,5B DeepSeek-LLM til at verificere effektiviteten af at afkoble visuel kodning. Eksperimenter viser, at en st\u00f8rre LLM markant fremskynder konvergensen af multimodal forst\u00e5else og visuel generering, hvilket yderligere bekr\u00e6fter metodens st\u00e6rke skalerbarhed.<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"864\" height=\"352\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/a19590e2-1805-493d-85e3-09c9b8e2274b.png\" alt=\"\" class=\"wp-image-848\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/a19590e2-1805-493d-85e3-09c9b8e2274b.png 864w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/a19590e2-1805-493d-85e3-09c9b8e2274b-300x122.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/a19590e2-1805-493d-85e3-09c9b8e2274b-768x313.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/a19590e2-1805-493d-85e3-09c9b8e2274b-18x7.png 18w\" sizes=\"auto, (max-width: 864px) 100vw, 864px\" \/><\/figure>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"1080\" height=\"536\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/c78ed17c-6e07-43ef-bfda-ae287f597bba.png\" alt=\"\" class=\"wp-image-852\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/c78ed17c-6e07-43ef-bfda-ae287f597bba.png 1080w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/c78ed17c-6e07-43ef-bfda-ae287f597bba-300x149.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/c78ed17c-6e07-43ef-bfda-ae287f597bba-1024x508.png 1024w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/c78ed17c-6e07-43ef-bfda-ae287f597bba-768x381.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/c78ed17c-6e07-43ef-bfda-ae287f597bba-18x9.png 18w\" sizes=\"auto, (max-width: 1080px) 100vw, 1080px\" \/><\/figure>\n\n\n\n<p>Eksperimentet bruger DeepSeek-LLM (1,5B og 7B, der underst\u00f8tter en maksimal sekvens p\u00e5 4096) som den grundl\u00e6ggende sprogmodel. Til den multimodale forst\u00e5elsesopgave bruges SigLIP-Large-Patch16-384 som den visuelle koder, ordbogsst\u00f8rrelsen p\u00e5 koderen er 16384, billednedsamplingsmultiplen er 16, og b\u00e5de forst\u00e5elses- og genereringsadapterne er to-lags MLP'er.<\/p>\n\n\n\n<p>Fase II-tr\u00e6ning bruger en 270K tidlig stopstrategi, alle billeder justeres ensartet til en opl\u00f8sning p\u00e5 384\u00d7384, og sekvenspakning bruges til at forbedre tr\u00e6ningseffektiviteten. Janus-Pro er tr\u00e6net og evalueret ved hj\u00e6lp af HAI-LLM. 1.5B\/7B-versionerne blev tr\u00e6net p\u00e5 16\/32 noder (8\u00d7Nvidia A100 40GB pr. node) i henholdsvis 9\/14 dage.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><span class=\"ez-toc-section\" id=\"Model_evaluation\"><\/span>Evaluering af modeller<span class=\"ez-toc-section-end\"><\/span><\/h2>\n\n\n\n<p>Janus-Pro blev evalueret separat i multimodal forst\u00e5else og generering. Samlet set kan forst\u00e5elsen v\u00e6re lidt svag, men den anses for at v\u00e6re fremragende blandt open source-modeller af samme st\u00f8rrelse (g\u00e6t p\u00e5, at den i h\u00f8j grad er begr\u00e6nset af den faste inputopl\u00f8sning og OCR-funktioner).<\/p>\n\n\n\n<p>Janus-Pro-7B scorede 79,2 i MMBench-benchmark-testen, hvilket er t\u00e6t p\u00e5 niveauet for f\u00f8rsteklasses open source-modeller (samme st\u00f8rrelse p\u00e5 InternVL2.5 og Qwen2-VL er omkring 82 point). Det er dog en god forbedring i forhold til den forrige generation af Janus.<\/p>\n\n\n\n<p>Med hensyn til billedgenerering er forbedringen i forhold til den forrige generation endnu mere markant, og det anses for at v\u00e6re et fremragende niveau blandt open source-modeller. Janus-Pro's score i GenEval-benchmark-testen (0,80) overg\u00e5r ogs\u00e5 modeller som DALL-E 3 (0,67) og Stable Diffusion 3 Medium (0,74).<\/p>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"1080\" height=\"827\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/47aa92e1-b474-4874-956e-db210da9d349.png\" alt=\"\" class=\"wp-image-853\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/47aa92e1-b474-4874-956e-db210da9d349.png 1080w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/47aa92e1-b474-4874-956e-db210da9d349-300x230.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/47aa92e1-b474-4874-956e-db210da9d349-1024x784.png 1024w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/47aa92e1-b474-4874-956e-db210da9d349-768x588.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/47aa92e1-b474-4874-956e-db210da9d349-16x12.png 16w\" sizes=\"auto, (max-width: 1080px) 100vw, 1080px\" \/><\/figure>\n\n\n\n<figure class=\"wp-block-image\"><img loading=\"lazy\" decoding=\"async\" width=\"1080\" height=\"744\" src=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/38de369b-7f1f-4159-83a7-5f411e816d55.png\" alt=\"\" class=\"wp-image-855\" srcset=\"https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/38de369b-7f1f-4159-83a7-5f411e816d55.png 1080w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/38de369b-7f1f-4159-83a7-5f411e816d55-300x207.png 300w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/38de369b-7f1f-4159-83a7-5f411e816d55-1024x705.png 1024w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/38de369b-7f1f-4159-83a7-5f411e816d55-768x529.png 768w, https:\/\/janusai.pro\/wp-content\/uploads\/2025\/02\/38de369b-7f1f-4159-83a7-5f411e816d55-18x12.png 18w\" sizes=\"auto, (max-width: 1080px) 100vw, 1080px\" \/><\/figure>","protected":false},"excerpt":{"rendered":"<p>P\u00e5 t\u00e6rsklen til for\u00e5rsfestivalen blev DeepSeek-R1-modellen udgivet. Med sin rene RL-arkitektur har den l\u00e6rt af CoT's store innovationer og overg\u00e5r ChatGPT i matematik, kode og logisk r\u00e6sonnement. Derudover har dens open source-modelv\u00e6gte, lave tr\u00e6ningsomkostninger og billige API-priser gjort DeepSeek til et hit p\u00e5 hele internettet, selv...<\/p>","protected":false},"author":2,"featured_media":704,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_kadence_starter_templates_imported_post":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-847","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized"],"_links":{"self":[{"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/posts\/847","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/comments?post=847"}],"version-history":[{"count":1,"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/posts\/847\/revisions"}],"predecessor-version":[{"id":856,"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/posts\/847\/revisions\/856"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/media\/704"}],"wp:attachment":[{"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/media?parent=847"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/categories?post=847"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/janusai.pro\/da\/wp-json\/wp\/v2\/tags?post=847"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}