### 调用 DeepSeek 模型并输出思维链 (Chain of Thought) 要通过 Python 使用 DeepSeek 模型生成 Chain of Thought 输出，可以利用 Hugging Face 的 `transformers` 库加载预训练的 DeepSeek 模型，并设置特定参数来控制模型的行为。以下是详细的说明和代码示例。 #### 加载环境与依赖 为了运行此代码，需先安装必要的依赖项。可以通过以下命令完成： ```bash pip install transformers torch ``` 这些工具包提供了访问 DeepSeek 模型的功能以及管理其输入输出的能力[^1]。 #### 设置模型与分词器 下面是一个完整的代码片段，展示如何加载 DeepSeek 模型并通过适当配置生成 Chain of Thought 类型的回答： ```python from transformers import AutoTokenizer, AutoModelForCausalLM import torch # 定义设备（GPU优先） device = "cuda" if torch.cuda.is_available() else "cpu" # 初始化 tokenizer 和 model tokenizer = AutoTokenizer.from_pretrained("deepseek/lm") # 替换为实际可用的 DeepSeek 模型名称 model = AutoModelForCausalLM.from_pretrained("deepseek/lm").to(device) # 同样替换为具体模型名 def generate_chain_of_thought(prompt_text): """ Generate a response with Chain-of-Thought reasoning. Args: prompt_text (str): The input text to be processed. Returns: str: Generated output including CoT reasoning. """ inputs = tokenizer.encode(prompt_text, return_tensors="pt", truncation=True).to(device) outputs = model.generate( inputs, max_length=256, num_beams=4, no_repeat_ngram_size=2, early_stopping=True, do_sample=False, temperature=0.7, top_p=0.9, repetition_penalty=1.2, pad_token_id=tokenizer.eos_token_id ) generated_text = tokenizer.decode(outputs[0], skip_special_tokens=True) return generated_text if __name__ == "__main__": user_input = "解释为什么太阳会升起？" cot_output = generate_chain_of_thought(user_input) print(cot_output) ``` 上述脚本定义了一个函数用于接收提示文本作为输入，并返回由 DeepSeek 模型生成的结果字符串。其中包含了几个重要参数调整以优化推理过程中的逻辑连贯性和多样性。 #### 关于评估机制 如果希望进一步验证生成内容的质量或者对比不同版本之间的差异，则可引入 LangChain 提供的各种评测接口。例如 StringEvaluator 可用来衡量单条预测相对于标准标签的表现；而 PairwiseStringEvaluator 则适合分析两组候选答案间的相对优劣程度[^3]。 --- ###