一、写在前面
前段时间找公司订购质粒，又遇到一个实际问题：
我把目的蛋白的氨基酸序列发给公司，公司评估后，发送核酸序列让我核对。以前是有专门的小工具用于"核酸序列与氨基酸序列"相互转化，但是我没保存，找了许久没找到，然后顺手打开了DeepSeek。
这是氨基酸序列：
PCBP1蛋白的WT质粒和K115R突变质粒（也就是第115个的氨基酸K突变成R）
这是要核对的核酸序列：
借此机会，我们继续来测试DeepSeek-R1能否来解决这个实际问题？
二、序列核对
这回输入DeepSeek-R1、DeepSeek-V3、Kimi-1.5以及G老师们。
（1）咒语
请核对附件1中的核酸序列跟附件2中的氨基酸序列是否一致。
记得传附件。
（2）DeepSeek-V3 关闭深度思考（R1）模式 无联网
最终答案：
文档1中的核酸序列与文档2中的氨基酸序列一致。核酸序列正确翻译为对应的氨基酸序列，且K115R突变在核酸和氨基酸层面均正确体现。
（2）DeepSeek-R1 打开深度思考（R1）模式 无联网
经过漫长的思考（足足在559秒），都思考到双语版本了：
终于得出结果：
一致：附件1中的核酸序列与附件2中的氨基酸序列完全一致。
对于野生型（WT），附件1的核酸序列正确编码了附件2的PCBP1氨基酸序列，包括全长331个氨基酸和突变点（第115位K）。
对于K115R突变型，附件1的核酸序列（AGA）正确编码了附件2的突变氨基酸序列（第115位R），且其余序列一致。
（3）Kimi - 关闭长思考模式 无联网
结论
文件1中的核酸序列与文件2中的氨基酸序列不一致。可能是文件1中的核酸序列不完整或存在错误。建议重新检查核酸序列的完整性和准确性。
宣告失败。
然后我打开Kimi的深度思考模式，他又行了（而且思考时间很短）：
经过核对，附件1中的核酸序列与附件2中的氨基酸序列的转译是一致的。
（4）ChatGPT -4o
几乎瞬间出结论：
附件1中的核酸序列与附件2中的氨基酸序列完全对应，翻译准确，无遗漏或移码错误。K115R突变也已正确反映。
（4）ChatGPT -4.5
调用了Python，然后就死循环了。
（5）ChatGPT -4.1
也是瞬间出：
附件1中的核酸序列与附件2中的氨基酸序列完全对应、一致。
野生型核酸序列翻译得到的氨基酸序列与附件2提供的氨基酸序列一致。
K115R突变型核酸序列的翻译结果，与附件2中K115R的氨基酸序列仅在115位为R，完全对应。
两份文件的内容相互校对无误 。
五、 写在最后
（1）共测试6种配置，涵盖主流多模态大模型：
（2）随谈一下：
ChatGPT-4o、4.1、DeepSeek-V3在无深度思考的默认配置下即可准确判断突变是否正确体现，说明当前主流模型已具备较高的生物序列理解和翻译能力。
ChatGPT-4.5自动调用Python却未能完成任务，反而陷入死循环，说明某些高级功能（如代码执行）在复杂结构或非预期输入下可能失效。
DeepSeek-R1的"深度思考"提供了详细推理路径和双语输出，适合对结果不确定时的验证，但代价是响应时间非常长（近10分钟），难以满足实时需求。
默认快速模式（如4o和V3）虽无详细过程说明，但在常规任务中表现更优，具备更高的实用性与效率。
综上，通用大模型和推理大模型各有所长，需要根据具体任务灵活切换。