雷峰网讯 DeepSeek-R1 又开先例，成为首个登上《Nature》封面的中国大模型。 2025 年春节，DeepSeek-R1 横空出世，因其极低的训练成本引发病毒式传播。八个月过去，这一成果带着 Nature 的金字招牌再次回到公众视野中央，只为一件事：技术透明。 这篇名为 DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning 的《Nature》 封面论文由创始人梁文锋担任通讯作者。文中首次确认了此前流传的DeepSeek R1 训练成本，约 29.4 万美元，折合人民币约 208 万，并进一步披露了模型训练中采用的数据类型、强化学习方案等技术细节。 在揭开这一里程碑式大模型的面纱之外，这篇论文更大的意义，是 DeepSeek-R1 作为全球首个经历了同行评审的大语言模型，将大模型研究推向了更透明、可重复的方向。 此前业内通行的做法，是科技公司在自家官网、论文预印本网站 arXiv或知名技术论坛上发布突破性成果及基准测试分数，大部分模型 API 随后即向公众开放。这一过程绕开了传统学术评价体系中的同行评审环节，而 DeepSeek 团队则主动接受了这一来自学术界的审视。 根据 《Nature》公布的补充信息显示，评审意见主要集中在实验评估、模型安全性和伦理风险等方面，要求补充 OOD（分布外）测试、中间阶段性能分析、误用讨论等工作。正是针对上述同行评审意见，DeepSeek 团队才增加了对数据类型等训练细节的披露，并进一步证明了成果的安全性。 “这是一个非常值得欢迎的先例，“论文评审之一，Hugging Face 机器学习工程师 Lewis Tunstall 表示，”如果我们没有公开分享这一过程大部分内容的规范，那么将很难评估这些系统是否构成风险。“ 公开训练细节，回应“蒸馏”质疑 那么在最新版本的论文中， DeepSeek 团队都补充了 R1 的哪些训练细节呢？ 首先是训练成本，此前曾震动华尔街的 29.4 万美元数据终于得到证实。 据补充材料介绍， DeepSeek-R1 的研究工作分为三个阶段。 第一阶段使用 A100 GPU 对 30B 参数的小模型进行实验预研，因结果表现良好，使团队有信心将规模扩大至 660B 参数的 R1-Zero 和 R1。 第二阶段的成果是 DeepSeek-R1-Zero，研究团队动用了 512 块 H800 GPU，耗时约 198 小时。 最后是 DeepSeek-R1，仍然采用 512 块 H800 GPU 的配置，但仅用时 80 小时便宣告完成。 在训练数据构成方面， DeepSeek-R1 采用了数学、编程、STEM、逻辑四大类题目。 展开全文 其中数学数据集由 2.6 万道定量推理题构成，涵盖数学考试和竞赛题目，模型需逐步推理并给出最终正确答案。 编程数据集由 1.7 万道算法竞赛题与 8 千道 Bug修复题构成，其中后者全部来自真实的GitHub issue，数据集提供问题描述、含缺陷源码与部分失败的单元测试，要求模型定位并修复缺陷，使代码通过全部测试。 STEM 数据集由 2.2 万道选择题构成，覆盖物理、化学、生物等学科，模型需选出最科学准确的答案。 逻辑数据集由真实问题和合成问题共 1.5 万题构成。 此外 DeepSeek 团队还引入了通用 RL 数据以提升 DeepSeek-R1 的有用性与无害性。在训练过程中，研究人员采用了两个独立训练的奖励模型，一个针对“有用”排序数据训练，涵盖创意写作、编辑、事实问答等领域的 6.6万题，一个针对“无害”排序数据训练，由1.2 万题构成。 特别值得一提的是，在最新版论文中，DeepSeek 团队正面回应了此前关于 R1 蒸馏 OpenAI 模型的质疑。 研究团队专门为此设计了一项试验，使用 Qwen2-7B 作为基础模型时，通过大规模强化学习进行训练，该模型同样可以自主发展出各种先进推理策略。而 Qwen2-7B 的发布时间为 2024 年 6 月，显然早于所有公开的推理模型。蒸无可蒸，推理能力的优化自然源于 DeepSeek-R1 开创的强化学习方法。 DeepSeek-R1 的另一大特征是在推理过程中更频繁地使用“我”和“我们”等第一人称代词。值得一提的是，这种效果是通过精心设计的冷启动数据所实现。 论文中介绍，研究团队发现当推理过程符合第一人称视角的思维模式时，用户会认为其回应更直观且具有吸引力。为此，研究团队要求标注人员将推理轨迹转换为更自然、更贴近人类对话风格的表达，并以此作为示例提示大语言模型以类似风格重写更多。 在如此收集到的数千条 CoT 数据中进一步筛选出最终答案正确且格式清晰的，就得到了简洁、可读性强，既包含推理步骤，也涵盖最终结果的高质量冷启动数据。 双重里程碑 时隔八个月再次回顾，DeepSeek-R1 因何成为大模型史上里程碑式的论文？ 有一部分答案藏在训练成本里。DeepSeek-R1 29.4 万美元的训练成本不仅只有当时同等规模模型的十分之一，而且其中仅有 1 万美元被用于构建 SFT 数据集。这意味和同行相比，它背后砍掉了大规模的监督微调。 属于人类的能力，也向人类学习，监督微调曾经是提升模型推理能力的共识。但它的局限性也很明显，对人类标注推理轨迹的依赖显著增加了模型训练成本，限制了可扩展性，人类的认知偏见也在向模型渗透。 更引人深思的问题是，复制人类思维过程真的是硅基推理的最优解吗？是否存在一种更优越的、非人类思维的推理方式？如果答案是肯定的，那一定在人类示例之外。 正是在这样的背景下，DeepSeek-R1 提出了一种通过纯粹强化学习实现推理能力自我进化发展的路径，以摆脱对人工标注推理轨迹的依赖。 具体而言，研究团队基于 DeepSeek-V3 base，并使用组相对策略优化（GRPO）作为强化学习框架。在全新的训练范式下，仅对最终答案的正确性进行奖励，而不对推理过程本身施加约束。简单来说，就是推理方式不限，能抓到耗子就是好猫。 这种训练方案设计和研究团队的假设一脉相承：人类定义的推理模式可能会限制模型探索，而不受限制的强化学习训练能更好地激励 LLMs 中新型推理能力的出现。 实验结果表明，DeepSeek-R1-Zero 的确自然地发展出了多样化和复杂的推理行为。为解决推理问题，它表现出了生成更长响应的倾向，并且存在在每个响应中包含验证、反思和探索替代方法的趋势。 “尽管我们没有明确地教模型如何推理，但它通过强化学习成功学习了改进的推理策略。”论文指出。 展现出强大推理能力的同时，DeepSeek-R1-Zero 在可读性差和语言混杂等方面仍存在挑战。这一问题的根源在于 DeepSeek-V3 base 是在多种语言上完成训练，为此 DeepSeek-R1 的开发被提上日程。 这一次，研究团队不仅通过多阶段强化学习训练改进模型在对话式推理过程、语言一致性以及人类偏好对齐方面的表现，而且在拒绝采样和监督微调环节将推理和非推理数据集都纳入 SFT 过程，这一设计使 DeepSeek-R1 不仅能在推理任务中表现出色，还展示出了高级的写作能力。 基准测试结果显示，脱胎于全新训练范式下的 DeepSeek-R1 在 MMLU、C-eval、GPQA Diamond、Arena-Hard、SWE-bench Verified、AIME 2024 上均表现出色。而更直接的例子，则是在 2025 年春节之后的一段时间里，DeepSeek-R1 几乎成为了国产大模型的代名词。 LLMs 的推理能力可以通过纯 RL 进行激励，无需人工标注推理轨迹的参与。这一今天已成为共识的创想，最初就是经由 DeepSeek-R1 所实现。DeepSeek 团队在此基础上构建的 RL 框架，也促进了自我反思、验证和动态策略适应等高级推理模式的涌现。 而今天，这一突破性成果经受住了学术出版审查。主动接受专家评审的拷问，补充材料说明技术细节，并最终作为顶刊封面论文刊发……如果说 DeepSeek-R1 的初次发布是一个关于前沿技术突破的故事，那么时隔八个月之后，这个故事的关键词变成了学术透明和技术开放。 补充各种技术细节之后，《Nature》最新这篇封面论文堪称“手把手教你训 R1”。它让我们看到头部科技企业的核心成果不是只能封装成语焉不详的黑盒提供给用户，而是也可以拿到同行评审面前接受审视，以及更重要的，给出符合学术规范的解释和回应。 商业化考量让 OpenAI、Google 等科技巨头纷纷和传统的学术审查保持距离，这本无可非议，但是当 DeepSeek-R1 真的成为了可复现、可验证的学术成果，这种对技术开放性的追求无疑也让研究团队的选择更加可敬。 在双重意义上，DeepSeek-R1 都堪称里程碑。 参考资料： https://www.nature.com/articles/s41586-025-09422-z#ethics https://www.nature.com/articles/d41586-025-03015-6 雷峰网文章返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

贝森特直指美联储存在“使命蔓延”与“机构臃肿”的问题，将其比作“逃出实验室的致命病毒”，要求展开无党派审查并剥离其银行监管权。 美国财政部长贝森特上周五呼吁对美联储进行全面改革，称这家央行正受“使命蔓延”（mission creep）与“机构臃肿”（institutional bloat）问题困扰。 在《华尔街日报》（The Wall Street Journal）发表的一篇措辞尖锐的评论文章中，贝森特将美联储比作“逃出实验室的致命病毒”，认为必须将其“重新关进牢笼”。 这篇文章发布之际，特朗普政府正试图通过“宣称总统有权解雇美联储理事”来掌控美联储理事会。此前，特朗普曾持续数月施压美联储主席鲍威尔要求降息，随后又以“涉嫌抵押贷款欺诈”为由解雇美联储理事库克。目前，库克已提起诉讼，阻止特朗普的解雇。 若库克被迫离职，且特朗普的经济顾问斯蒂芬·米兰（Stephen Miran）获得参议院批准，那么特朗普提名的人选将在美联储理事会7个席位中占据4席多数——这意味着他们可推动利率政策与银行监管领域的全面变革，也将让“美联储是否独立于白宫”的问题陷入争议。 分析师表示，贝森特的文章旨在为“掌控美联储”提供合理性依据。 一本关于美联储独立性的书的合著者马克·斯宾德尔（Mark Spindel）表示，“这一切都是为了掌控政府中最具权力的机构。” 美国国会在设立美联储时，特意设计了限制白宫影响力的机制：美联储理事任期为14年，且任期交错，需经参议院批准；仅在有“正当理由”（for cause）的情况下，才能解雇美联储官员。 贝森特在文章中称，美联储已失去美国民众的信任，“必须重新树立作为独立机构的公信力，专注于实现通胀稳定、失业率低、利率温和的核心目标”。 他呼吁对美联储展开“独立、无党派的全面审查”，并提议剥离美联储对美国银行业的监管权。 2008年金融危机后，国会曾短暂考虑过一项由民主党提出的“剥离美联储银行监管权”提案，但最终反而大幅扩大了美联储的监管权限。 2008年金融危机中，美国银行业“大而不倒”的问题暴露，国会因此赋予美联储更严格的监管权力，包括对大型银行实施压力测试、设定资本金要求等。 “在所有银行监管机构中，美联储权力最大、权限最广，”研究公司资本阿尔法伙伴（Capital Alpha Partners）董事总经理伊恩·卡茨（Ian Katz）表示。 根据贝森特的改革计划，美联储应仅专注于“宏观经济监测、最后贷款人流动性支持与货币政策制定”三大领域。 贝森特提议的改革需通过立法实现，但卡茨认为，国会“极不可能”据此采取行动。 在利率政策方面，贝森特表示，美联储在经济衰退时“通过资产负债表政策降息”的做法，“仅应在真正的紧急情况下使用”。 展开全文 他指出，资产负债表政策已直接影响“经济中哪些部门能获得资金”，“干预了本应属于市场与民选官员的领域”。 贝森特称：“权力扩张催生了华盛顿的一种风气——在财政决策失误后，政府依赖美联储来‘兜底’。” 以下为《华尔街日报》刊登的贝森特所著文章的精简版。 正如我们在新冠疫情期间所见，实验室培育的实验产物一旦逃出牢笼，便可能造成巨大破坏，且难以收回。2008年金融危机后，美联储推出的“非常规”货币政策工具，也以类似方式改变了其政策体系，带来了难以预测的后果。 美联储的新运作模式，本质上是一场“功能增益”（gain-of-function）货币政策实验。非常规政策的过度使用、使命蔓延与机构臃肿，正威胁着央行的独立性。美联储必须改变方向：其标准政策工具已变得过于复杂，难以管理，且理论基础存在不确定性。而目标明确、简单可衡量的工具，才是长期实现更好政策效果、维护央行独立性的最清晰路径。 人们或许会认为，2008年后推出的新工具与金融市场集中化，能让美联储更精准地判断经济走向；至少，这些新增职能应能让美联储更有效地引导经济。但事实并非如此：2009年，美联储预测2011年美国实际国内生产总值（GDP）增速将达到4%，但实际增速仅为1.6%。那段时期，美联储两年期GDP预测累计高估规模超过1万亿美元。反复的预测失误表明，美联储对自身能力与扩张性财政政策的刺激效果过于自信。当特朗普政府转向减税与放松监管政策时，美联储的预测又过于悲观——这暴露了其对有缺陷模型的依赖，以及对供给侧效应的忽视。 2008年金融危机期间及之后的多次干预，实际上为资产持有者提供了“隐性兜底”。这种有害循环导致国家财富向“已拥有资产的群体”集中：企业领域中，大公司通过锁定低息债务蓬勃发展，而依赖浮动利率贷款的小公司则在利率上升时陷入困境；房主因固定利率抵押贷款，房产价值大幅上涨且基本不受利率影响；与此同时，被排除在资产市场之外、受通胀冲击最严重的年轻家庭与低收入家庭，却错失了资产增值的机会。 美联储未能实现通胀目标，导致阶层与代际差距扩大。其试图通过“财富效应”刺激增长的做法，最终适得其反。金融分析师凯伦·佩特鲁（Karen Petrou）在2021年出版的《不平等的引擎》（Engine of Inequality）一书中写道：“极端的不平等清晰表明，财富效应对富人极为有效，却给其他人带来了更严重的经济困境。” 美联储影响力的扩大，对其独立性产生了深远影响。通过将职权延伸至传统上属于财政部门的领域，美联储模糊了货币政策与财政政策的界限。央行的资产负债表政策直接决定“哪些部门能获得资金”，干预了本应属于市场与民选官员的领域。而与财政部债务管理的纠缠，让人怀疑货币政策正被用于“满足财政需求”。 美联储的权力扩张催生了华盛顿的一种风气：在财政决策失误后，政府依赖美联储来“兜底”。当总统与国会的政策失灵时，他们期待的是美联储干预，而非承担责任。这种“别无选择”的局面，滋生了不负责任的扭曲激励。 监管越界进一步加剧了问题。《多德-弗兰克法案》（Dodd-Frank Act）大幅扩大了美联储的监管范围，使其成为美国金融业的主导监管者。15年后的今天，结果令人失望：2023年硅谷银行倒闭事件，暴露了“货币政策与银行监管职能合并”的风险。如今，美联储既监管银行、向银行放贷，又决定银行的盈利逻辑——这种不可避免的利益冲突模糊了责任边界，也危及了自身独立性。 更合理的框架应重建专业化分工：赋予联邦存款保险公司（FDIC）与货币监理署（OCC）主导银行监管的权力，而让美联储专注于宏观经济监测、最后贷款人流动性支持与货币政策制定。 美联储独立性的核心是公信力与政治合法性——这两者都因其“超越使命范围”而受损。过度干预导致了严重的分配失衡，削弱了公信力，也威胁了独立性。展望未来，美联储必须减少其对经济造成的扭曲：量化宽松（QE）等非常规政策仅应在真正的紧急情况下，与联邦政府其他部门协调使用。此外，还需对美联储整个机构展开“坦诚、独立、无党派的全面审查”，涵盖货币政策、监管、沟通、人员配置与研究等所有领域。 美国当前面临短期与中期经济挑战，同时还要应对“央行将自身独立性置于危险境地”的长期后果。美联储的独立性源于公众信任，因此必须重新致力于维护美国民众的信心。为保障自身未来与美国经济稳定，美联储必须重新树立“独立机构”的公信力，专注于法定使命：实现充分就业、稳定物价与温和的长期利率。返回搜狐，查看更多