DeepSeek新模型大揭秘：為何它能震動全球AI圈
作者：郝博陽；來源：騰訊科技
本文關(guān)注DeepSeek-R1在技術(shù)上最重要的突破——用純深度學習的方法讓AI自發(fā)涌現(xiàn)出推理能力。這一研究可能會對模型推理訓練后續(xù)的范式產(chǎn)生深刻影響。
時隔不到一個月，DeepSeek又一次震動全球AI圈。
去年12月，DeepSeek推出的DeepSeek-V3在全球AI領(lǐng)域掀起了巨大的波瀾，它以極低的訓練成本，實現(xiàn)了與GPT-4o和ClaudeSonnet3.5等頂尖模型相媲美的性能，震驚了業(yè)界。
騰訊科技曾對此模型進行深度解讀，用最簡單直白的語言闡釋其實現(xiàn)低成本和高效能的技術(shù)背景（點擊可查看）。
和上次不同的是，這次推出的新模型DeepSeek-R1不僅成本低，更是在技術(shù)上有了大福提升。
而且，它還是一個開源模型。
這款新模型延續(xù)了其高性價比的優(yōu)勢，僅用十分之一的成本就達到了GPT-o1級別的表現(xiàn)。
所以，很多業(yè)內(nèi)人士甚至喊出了“DeepSeek接班OpenAI”的口號。
比如，前MetaAI工作人員、知名AI論文推特作者Elvis就強調(diào)，DeepSeek-R1的論文堪稱瑰寶，因為它探索了提升大語言模型推理能力的多種方法，并發(fā)現(xiàn)了其中更明確的涌現(xiàn)特性。
JimFan甚至認為，它們做了OpenAI本來應該做的事，開源。
傳統(tǒng)的模型訓練路徑
但DeepSeek-R1-Zero選擇了一條前所未有的路徑“純”強化學習路徑，它完全拋開了預設的思維鏈模板（ChainofThought）和監(jiān)督式微調(diào)（SFT），僅依靠簡單的獎懲信號來優(yōu)化模型行為。
這就像讓一個天才兒童在沒有任何范例和指導的情況下，純粹通過不斷嘗試和獲得反饋來學習解題。
DeepSeek-R1-Zero有的只是一套最簡單的獎勵系統(tǒng)，來激發(fā)AI的推理能力。
這個規(guī)則就兩條：
1. 準確性獎勵：準確性獎勵模型評估響應是否正確。對了就加分，錯了扣分。評價方法也很簡單：例如，在具有確定性結(jié)果的數(shù)學問題中，模型需要以指定格式（如
2. 格式獎勵：格式獎勵模型強制要求模型將其思考過程置于
為了準確觀察模型在強化學習（RL）過程中的自然進展，DeepSeek甚至有意將系統(tǒng)提示詞僅約束限制在這種結(jié)構(gòu)格式上，來避免任何內(nèi)容特定的偏見——例如強制讓模型進行反思性推理或推廣特定的問題解決策略。
這種頓悟往往是模型思維能力躍升的時刻。
因為根據(jù)DeepSeek的研究，模型的進步并非均勻漸進的。在強化學習過程中，響應長度會出現(xiàn)突然的顯著增長，這些"跳躍點"往往伴隨著解題策略的質(zhì)變。這種模式酷似人類在長期思考后的突然頓悟，暗示著某種深層的認知突破。
最有說服力的或許是模型展現(xiàn)出的遷移學習能力。在完全不同的編程競賽平臺Codeforces上，R1-Zero達到了超過96.3%人類選手的水平。這種跨域表現(xiàn)表明，模型不是在死記硬背特定領(lǐng)域的解題技巧，而是掌握了某種普適的推理能力。一個聰明，但口齒不清的天才
盡管R1-Zero展現(xiàn)出了驚人的推理能力，但研究者們很快發(fā)現(xiàn)了一個嚴重的問題：它的思維過程往往難以被人類理解。
論文坦誠地指出，這個純強化學習訓練出來的模型存在"poorreadability"（可讀性差）和"languagemixing"（語言混雜）的問題。
這個現(xiàn)象其實很好理解：R1-Zero完全通過獎懲信號來優(yōu)化其行為，沒有任何人類示范的"標準答案"作為參考。就像一個天才兒童自創(chuàng)了一套解題方法，雖然屢試不爽，但向別人解釋時卻語無倫次。它在解題過程中可能同時使用多種語言，或者發(fā)展出了某種特殊的表達方式，這些都讓其推理過程難以被追蹤和理解。
正是為了解決這個問題，研究團隊開發(fā)了改進版本DeepSeek-R1。通過引入更傳統(tǒng)的"cold-startdata"（冷啟動數(shù)據(jù)）和多階段訓練流程，R1不僅保持了強大的推理能力，還學會了用人類易懂的方式表達思維過程。這就像給那個天才兒童配了一個溝通教練，教會他如何清晰地表達自己的想法。
在這一調(diào)教下之后，DeepSeek-R1展現(xiàn)出了與OpenAIo1相當甚至在某些方面更優(yōu)的性能。在MATH基準測試上，R1達到了77.5%的準確率，與o1的77.3%相近；在更具挑戰(zhàn)性的AIME2024上，R1的準確率達到71.3%，超過了o1的71.0%。在代碼領(lǐng)域，R1在Codeforces評測中達到了2441分的水平，高于96.3%的人類參與者。
然而，DeepSeek-R1Zero的潛力似乎更大。它在AIME2024測試中使用多數(shù)投票機制時達到的86.7%準確率——這個成績甚至超過了OpenAI的o1-0912。這種"多次嘗試會變得更準確"的特征，暗示R1-Zero可能掌握了某種基礎的推理框架，而不是簡單地記憶解題模式。
論文數(shù)據(jù)顯示，從MATH-500到AIME，再到GSM8K，模型表現(xiàn)出穩(wěn)定的跨域性能，特別是在需要創(chuàng)造性思維的復雜問題上。這種廣譜性能提示R1-Zero可能確實培養(yǎng)出了某種基礎的推理能力，這與傳統(tǒng)的特定任務優(yōu)化模型形成鮮明對比。
所以，雖然口齒不清，但也許DeepSeek-R1-Zero才是真正理解了推理的“天才”。純粹強化學習，也許才是通向AGI的意外捷徑
之所以DeepSeek-R1的發(fā)布讓圈內(nèi)人的焦點都投向了純強化學習方法，因為它完全可以說得上是打開了AI進化的一條新路徑。
R1-Zero——這個完全通過強化學習訓練出來的AI模型，展現(xiàn)出了令人驚訝的通用推理能力。它不僅在數(shù)學競賽中取得了驚人成績。
更重要的是，R1-Zero不僅是在模仿思考，而是真正發(fā)展出了某種形式的推理能力。
因為在過往的訓練方法中，尤其在監(jiān)督微調(diào)中使用訓練好的神經(jīng)網(wǎng)絡來評估質(zhì)量的話，模型可能學會觸發(fā)獎勵模型的特定模式，生成對獎勵模型"口味"的內(nèi)容，而不是真正提升推理能力。換句話說，AI系統(tǒng)找到了獲得高獎勵但實際上違背訓練目標的投機取巧方式。這就是我們常說的獎勵欺騙（rewardhacking）。但R1-Zero用極簡的獎勵規(guī)則基本避免了獎勵欺騙的可能性——規(guī)則太簡單了，沒有什么“口味”可以去模仿。模型在這個情況下發(fā)展出的推理能力更可信，也更自然。
這個發(fā)現(xiàn)可能會改變我們對機器學習的認識：傳統(tǒng)的AI訓練方法可能一直在重復一個根本性的錯誤，我們太專注于讓AI模仿人類的思維方式了，業(yè)界需要重新思考監(jiān)督學習在AI發(fā)展中的角色。通過純粹的強化學習，AI系統(tǒng)似乎能夠發(fā)展出更原生的問題解決能力，而不是被限制在預設的解決方案框架內(nèi)。
雖然R1-Zero在輸出可讀性上存在明顯缺陷，但這個"缺陷"本身可能恰恰印證了其思維方式的獨特性。就像一個天才兒童發(fā)明了自己的解題方法，卻難以用常規(guī)語言解釋一樣。這提示我們：真正的通用人工智能可能需要完全不同于人類的認知方式。
這才是真正的強化學習。就像著名教育家皮亞杰的理論：真正的理解來自于主動建構(gòu)，而不是被動接受。