DeepSeek「R1」最新论文研读！超级难 慎入以免被虐！！
DeepSeek R1 是由 DeepSeek 团队开发的推理模型，其核心原理是通过强化学习（Reinforcement Learning, RL）提升大型语言模型（LLM）的推理能力。
该模型系列包括两个版本：DeepSeek-R1-Zero 和 DeepSeek-R1。
在线学习：
https://www.bilibili.com/video/BV1pFNFerE7r
DeepSeek R1核心技术：
【强化学习（RL）】：DeepSeek-R1-Zero 完全基于 RL 训练，无需监督微调（SFT），允许模型自主探索解决复杂问题的思维链（Chain of Thought, CoT）。
DeepSeek-R1 采用多阶段训练方法，结合冷启动数据和 RL，解决了 DeepSeek-R1-Zero 的局限性，同时实现了更高的性能。
【模型架构】：DeepSeek-R1-Zero 和 DeepSeek-R1 均采用 6710 亿参数的 Mixture-of-Experts (MoE) 架构，每个 token 仅激活 370 亿参数。
DeepSeek-R1 通过监督微调（使用精心挑选的“冷启动数据”）和强化学习的结合，提升了模型的可读性和连贯性。
【模型蒸馏】：DeepSeek 还发布了从 1.5B 到 70B 参数的蒸馏版本，这些模型基于 Qwen 和 Llama 架构，证明了复杂推理能力可以被压缩进更小、更高效的模型。
【模型蒸馏】：使用群体相对策略优化（GRPO）算法，结合准确性和格式奖励来增强推理能力，无需大量标注数据。 {:5_108:} 学到了
页:
[1]