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)

跟大家讲三个我身边人的故事。 01 我在北京当记🔥者时，有一个关系颇好的同事。 我跑财经口，她跑医疗口。😜 有一次，同事为了写一篇关于医患关系的稿子，走访了很多😁医院。 调查时颇为困难，或被医生直接轰出办公室，或被患😊者怒骂一顿。 同事费了好大工夫才把稿子写完交给领导。 🤔 当晚，领导怒气冲冲拨了一个电话过来，从标题到内容都奚落💯了一顿。 原本就玻璃心的她哭得稀里哗啦。 这不是🤩她第一次被骂了。 错了就挨骂，对了没赞赏，她越想越觉得🚀待在这个单位没意思，直接卷铺盖走人。 辗转了几年，她也😂没混出什么名堂来。 新公司，旧问题。 她每次辞职😡的理由都是抱怨老板没人性，单位没人味。 02 第💯二个人，我自己不熟，是朋友的朋友，她原本是一位音乐老师。 🌟 这位音乐老师有两段婚姻。 第一段婚姻里，她自己的工🙄作稳定体面，收入尚可，有钱有闲。 但刚结婚后，老公就让👏她辞职，来帮忙打理自己的小生意。 她心里不愿意，但也不👍想违逆老公的意思，乖乖地过来帮忙。 从那以后，她既是工😎作助理，也是行政，一个人身兼多职，每天忙得晕头转向。 😎老公却不感谢她的付出，反而觉得这个家是自己在撑着，对她总是百⭐般吆喝。 然后这段婚姻结束了。 第二段感情里，老💯公十分大男子主义，家中大事小事都由他决定。 为了迎合老😂公，所有家务都由她负责。 为了新家庭的稳定，什么事都依❤️着他，受了委屈，吵了架也总是自己先低头。 展开全文 🌟 生活越过越小心翼翼，生怕惹对方不开心。 老公并没有🤗珍惜她的付出，经常在外鬼混。 她有些不明白，为什么每一🎉段婚姻里被辜负、轻视，换了新的伴侣似乎也还是如此？ 0😁3 第三个人，是我毕业后在厦门的合租舍友。 他来🤯自农村。 初高中，他去县城读书，因为自卑，都不敢举手发🚀言，更不敢上台讲话。 有一次，老师叫他起来回答问题。 😂 他因为紧张，讲话磕磕绊绊，但越磕越紧张，越想把话说快。😁 老师就安慰他：说普通话，尽量不要说方言哈。 实🤩际上，他是用普通话回答问题的。 上了大学之后，公众场合😁讲话成了他的梦魇。 英语课时，因为原本口语就不标准，再🤩加上紧张过度，每次他讲完英语，全班哄堂大笑。 直至毕业🚀后，入了职场，他最怕的就是当众讲话。 年终述职时，他就🤯焦虑，不是因为绩效不好，而是得上台发言。 小组开会时，🚀他会惴惴不安，得反复斟酌自己的话术。 他自己坦言道：因😡为不敢开口，错过了很多的机会。 04 为什么会说😉这三个故事呢？ 这几年，我越发明白了一个道理：一个人反🙄复经历的痛苦，都是未完的功课。 改变职场心态，是我的北😜京同事要完成的功课。 如果不改变，无论到哪家公司，她都🌟会觉得受到了委屈，永远干不好一份工作。 改掉讨好型人格😴，是那位音乐老师要完成的功课。 如果改不掉，只会再一次😀遇到渣男，再一次在感情里受伤。 克服演讲的恐惧症，是我🙌合租舍友要完成的功课。 如果克服不了，会一而再地丢脸出🤩丑，会一而再地陷入窘境。 生活就像一场升级通关游戏。 😀 如果你无法攻克当下关卡，那么你将永远困于当下。 👍一些痛苦反复出现，不是命运的捉弄，而是在提醒我们：这一关卡，🤩我们还未通关。 博主@陈凡是一位创业者，可前两次创业都😘失败了。 第一次被合伙人卷走资金，挖走了团队。 ❤️第二次因为一位大客户拖欠资金不还，他资金没法回笼。 他🤯一度归咎于自己时运不济，后面深刻反思了一下，才知根源是自己有😴一个毛病：容易轻信别人。 合伙人跟他称兄道弟，他直接让🎉合伙人总揽财务大权，且从不过问。 合作方各种奉承，嘴甜😍、承诺多，他二话不说就应了下来。 为什么第二次还会踩坑😊？ 因为他还没吸取教训，还没悟透“不要相信人，要相信人😢性”这一个道理。 那些你不曾解决的问题，一定会在某个人💯生节点，再给自己上一课。 说白了，生活就像上学时的考试🥳：这次作弊蒙混过关，下次还会遇到同类题目；这次空着不答，下次😴卷子上还会出现。 一直掌握不了解题思路，一直没答好，生🙄活就会一直给你打上红叉。 05 我认同一句话：凡🤯事磨你，皆为渡你。 痛苦的出现，不是为了折磨你，是为了🚀让你看见，看见自己的不足，看见自己的人格缺陷。 时尚编🤩辑孙婵刚入行时，也经常被领导骂哭。 文章标题想得不好，👍领导会让她花一整天的时间去想；内容中有错别字，领导会截图到工🤗作群里当众把她一顿骂；经常加班到深夜，完成了当天指定的工作任😎务才能下班。 这种情况下，很多同事都选择了离职。 🚀 那时，孙婵也想离职，可她转念一想： 如果是因为没有做😀好工作辞职，那么今后的工作也会遇到同样的问题。 比如去🤯新的单位，也会因为工作没做到位被骂，因为能力欠缺所以得熬夜来😍赶进度。 问题没摆平，能力没提升，换哪儿上班都一样。 😘 所以她决定埋头工作，事事精益求精。 后来，她业务👏能力越来越强，领导向她抛来橄榄枝，问她愿不愿一起出去创业。 🌟 生活为什么会反复让我们遇到相似的困境，其实本质上是一种😉成长反馈机制。 越是逃避，痛苦越会追着你跑；越是害怕，🌟问题越会反复出现。 直到你用新的行为模式给出新回应，生🥳活才会给到你成长正反馈。 人生，是一场修行。 不⭐同课题，有不同修行。 当一个人真正审视自己，自洽了、正👍视了、解决了，这个课题的修行方可算得上圆满。 ▽ 🌟 最后说一个我自己的故事。 高中时，数学老师就苦口婆心🌟地让我们做错题集，她说： 每一个错题就是一个知识点，把🤗每一个错题都琢磨透，高考分数在130分以上就基本没问题了。 🥳 那时我不以为然，放着错题集不管，一味做新的试卷，结果是⭐同样的知识点一错再错。 其实人生也是一场考试。 💯反复经历的痛苦，是我放在一边不管的错题集。 这些错题，😎是失分题，也是得分题，我们人生最后的分数，就看你在曾经做错过😂的题上，最后拿了多少分。返回搜狐，查看更多