本文纯属写来玩,不严谨

难道没有人觉得开启深度思考效率很慢吗,而且很浪费时间

本帖子手机一些平时AI容易给出的错误答案的问题,每次新开对话测试有误差,有时对有时错

import torch  

import torch.nn as nn 

# 模拟输入：批次2，序列长度4，3分类任务

input = torch.randn(2, 4, 3)  # [batch, seq_len, num_classes]

# 模拟目标：每个序列位置的类别索引（0-2）

target = torch.tensor([[0,1,2,0], [1,0,1,2]])  # [batch, seq_len]

ce_loss = nn.CrossEntropyLoss()

loss = ce_loss(input, target)

print(f"输入维度: {input.shape}, 目标维度: {target.shape}")

这段代码输出结果是多少

这个问题是真的牛,问豆包,DeepSeek,都会给出错误答案,不会思考,一本正经输出结果

正确答案:这个代码运行不会输出结果,会报RuntimeError: Expected target size [2, 3], got [2, 4]

不开启深度思考的

1.ts.shift

# 创建示例时间序列
index = pd.date_range('2030-3-14', periods=5, freq='D')
ts = pd.Series([10, 20, 30, 40, 50], index=index)
ts.shift(periods=-1, freq='1D')

ts.shift(freq='2d', periods=-2)

ts.shift(freq='2d', periods=2)

分析上面三个shift代码输出结果

正确答案:

 目前测试了部分模型,每个模型重复新开对话测试多次,感兴趣的可以自己去官网测试,

大模型对比

模型名称	输出结果	网址
Qwen3-235B-A22B	正确	Qwen Chat
腾讯混元Hunyuan-TurboS	正确	腾讯混元
gpt-4o	正确	https://chatgpt.com/
gpt-4.1-mini	正确	https://chatgpt.com/
llama-3.1-405b(Meta)	正确
通义千问	正确	通义 - 你的实用AI助手
Deepseek	失败	DeepSeek - 探索未至之境
Grok-3	失败
gemini-2.5-flash-preview-05-20	失败
gemini-2.0-flash	失败
腾讯元宝	失败	腾讯元宝 - 轻松工作 多点生活
豆包	失败	豆包 - 字节跳动旗下 AI 智能助手
智谱清言	失败	智谱清言
文心一言(文心4.5 Turbo)	失败	文心一言

2.matplotlib的plt.imshow()的colorizer参数

在imshow中使用colorizer参数,在最新版的Matplotlib3.10.3中,举例子

在最新版3.10.3的Matplotlib中有这个参数,但是对于大模型,除非开启联网搜索,否则就算是深度思考也没有这个知识点,知识库滞后

3.roc曲线

import numpy as np
from sklearn.metrics import roc_curve
import matplotlib.pyplot as plt

# 真实标签
y_true = [0, 1, 0, 1, 0, 1]

# 模型预测的概率（每个样本对正类的预测概率）
y_score = [0.1, 0.9, 0.3, 0.8, 0.4, 0.7]

# 计算 FPR, TPR, 和 thresholds
fpr, tpr, thresholds = roc_curve(y_true, y_score)

# 绘制 ROC 曲线
 

# 输出 FPR, TPR, thresholds
print("False Positive Rate (FPR):", fpr)
print("True Positive Rate (TPR):", tpr)
print("Thresholds:", thresholds)

你解释上面代码运行 FPR, TPR, thresholds后三个数组长度是多少,

正确答案,三个数组长度都是4,然后每一个模型答出这个答案,大部分为7,错误

4.

# torch_setprecison torch.set_printoptions(precision=8, suppress=True) 取消科学计数,8位小数

豆包,DeepSeek开启深度思考都错了,一本正经胡说八道,说这个代码正确

Qwen深度思考下能看出,suppress参数错误,这是numpy的参数,不是pytorch的,应该使用sci_mode指定科学计数法是否开启

就算开启深度思考也没用

1.对 torch.optim.SGD函数的differentiable参数举例代码

大模型举例的代码必定报错

2.当池化时使用了 ceil_mode=True 参数时，PyTorch 是否可以自动推断原始输入形状  ?

正确答案是不会保错,因为反推池化时形状是由公式决定的,

形状：

• 输入：(N,C,Hin​,Win​) 或 (C,Hin​,Win​)。
• 输出：(N,C,Hout​,Wout​) 或 (C,Hout​,Wout​)，其中
  • 
  • 

但是大模型给出的答案都是认为会报错,必须指定参数output_size才行

3.python语法问题

代码代码有错误,我问了DeepSeek,豆包,qwen,只有qwen第一次给出正确错误解答,

import numpy as np
# 创建一个3x5的数组
arr = np.array([[1, 2, 3, 4, 5],
                [6, 7, 8, 9, 10],
                [11, 12, 13, 14, 15]])
print("原始数组:")
print(arr)
print(f"数组形状: {arr.shape}")
# 定义一个需要额外参数的一维处理函数
def custom_range_1d(vector, min_val, max_val):
    """将一维向量缩放到指定范围[min_val, max_val]"""
    v_min, v_max = np.min(vector), np.max(vector)
    # 避免除以零
    if v_max == v_min:
        return np.full_like(vector, (min_val + max_val) / 2)
    return min_val + (vector - v_min) * (max_val - min_val) / (v_max - v_min)
print("\n*args参数示例:")
print("将每行数据缩放到不同范围")
# 对第一行缩放到[0, 1]范围
print("\n1. 对第一行缩放到[0, 1]范围:")
row0_result = custom_range_1d(arr[0], 0, 1)
print(f"原始第一行: {arr[0]}")
print(f"缩放到[0,1]: {row0_result}")
# 使用apply_along_axis传递额外参数
print("\n2. 使用apply_along_axis对所有行缩放到[0, 100]范围:")
result = np.apply_along_axis(custom_range_1d, axis=1, arr=arr, 0, 100)
print("结果数组:")
print(result)
print(f"结果形状: {result.shape}")

这一行

result = np.apply_along_axis(custom_range_1d, axis=1, arr=arr, 0, 100)

改正为

result = np.apply_along_axis(custom_range_1d, 1, arr, 0, 100)
# 参数顺序：函数名, axis, arr, *args

答案是:

所有位置参数必须放在关键字参数之前。