由DeepSeek（深度求索）團(tuán)隊(duì)共同完成、梁文鋒擔(dān)任通訊作者的DeepSeek-R1推理模型研究論文，成功登上了國際權(quán)威期刊《自然（Nature）》的封面。這一成果不僅標(biāo)志著DeepSeek團(tuán)隊(duì)在人工智能領(lǐng)域取得了重大突破，更為全球大模型研究開辟了新的道路，具有里程碑式的意義。

DeepSeek首次公開了僅靠強(qiáng)化學(xué)習(xí)就能激發(fā)大模型推理能力的重要研究成果，這一創(chuàng)新性發(fā)現(xiàn)猶如一顆重磅炸彈，在全球AI研究者群體中激起千層浪。長(zhǎng)期以來，推理能力的提升一直是大語言模型發(fā)展的關(guān)鍵難題，傳統(tǒng)方法往往嚴(yán)重依賴人工標(biāo)注數(shù)據(jù)進(jìn)行監(jiān)督微調(diào)，可擴(kuò)展性受限。而DeepSeek-R1的核心創(chuàng)新之處，便是采用了“純強(qiáng)化學(xué)習(xí)”這一自動(dòng)化試錯(cuò)方法。R1通過獎(jiǎng)勵(lì)模型達(dá)到正確答案的行為來學(xué)習(xí)推理策略，而非像以往那樣模仿人類預(yù)設(shè)的推理模式。

在研究過程中，團(tuán)隊(duì)開發(fā)了DeepSeek-R1-Zero，它采用群組相對(duì)策略優(yōu)化（GRPO）算法，有效降低了訓(xùn)練成本。同時(shí)，通過將準(zhǔn)確性獎(jiǎng)勵(lì)（如數(shù)學(xué)答案匹配、代碼執(zhí)行驗(yàn)證）與格式獎(jiǎng)勵(lì)（標(biāo)準(zhǔn)化思維鏈結(jié)構(gòu)）相結(jié)合的獨(dú)特獎(jiǎng)勵(lì)機(jī)制設(shè)計(jì)，激發(fā)模型生成長(zhǎng)鏈推理和自驗(yàn)證行為。訓(xùn)練過程中，DeepSeek-R1-Zero展現(xiàn)出令人驚嘆的自我進(jìn)化能力，學(xué)會(huì)了生成數(shù)百到數(shù)千個(gè)推理token，深入探索和完善思維過程，還發(fā)展出反思能力和探索不同解題方法的能力。甚至在訓(xùn)練中期，模型學(xué)會(huì)了通過重新評(píng)估初始方法來更合理地分配思考時(shí)間，出現(xiàn)了神奇的“頓悟時(shí)刻”（AhaMoment）。

不過，DeepSeek-R1-Zero也存在一些局限性，如回答可讀性差、語言混雜等。為此，團(tuán)隊(duì)在R1的研發(fā)中引入少量冷啟動(dòng)數(shù)據(jù)（數(shù)千樣本）和多階段訓(xùn)練（SFT+RL）。先進(jìn)行冷啟動(dòng)SFT，人工篩選高質(zhì)量思維鏈數(shù)據(jù)提升可讀性；接著在推理場(chǎng)景進(jìn)行RL，復(fù)用R1-Zero的RL框架并新增語言一致性獎(jiǎng)勵(lì)抑制混合輸出；然后通過拒絕采樣與通用SFT，結(jié)合RL生成的數(shù)據(jù)和通用任務(wù)數(shù)據(jù)（總計(jì)80萬樣本），平衡推理與通用能力；最后進(jìn)行全場(chǎng)景RL，針對(duì)不同任務(wù)類型動(dòng)態(tài)調(diào)整獎(jiǎng)勵(lì)策略，最終使得DeepSeek-R1在性能與用戶體驗(yàn)上達(dá)到平衡，其推理性能與OpenAI-o1-1217相當(dāng)。

作為全球首個(gè)通過同行評(píng)審的主流大語言模型，DeepSeek-R1的這一歷程可謂意義非凡。《自然》期刊不但將該篇論文作為封面論文，還在評(píng)論報(bào)道文章中用“里程碑式論文揭示DeepSeekAI模型的秘密”“創(chuàng)造歷史”等表述，毫不吝嗇地表達(dá)對(duì)其贊賞和肯定。