[ 为了使更高效的小模型具备DeepSeek-R1那样的推理能力，开发团队还直接使用DeepSeek-R1整理的80万个样本对Qwen和Llama等开源模型进行了微调。 ]

9月18日，DeepSeek再次引发轰动。由DeepSeek团队共同完成、梁文锋担任通讯作者的DeepSeek-R1研究论文，登上了国际权威期刊《Nature》的封面。

今年1月，DeepSeek曾在arxiv公布了初版预印本论文，相较而言，此次发布在《Nature》的版本补充了更多模型细节，减少了描述中的拟人化说明。在补充材料中，DeepSeek提到了R1模型的训练成本仅29.4万美元，以及回应了模型发布之初关于“蒸馏OpenAI”的质疑。

今年1月，有报道提到，OpenAI研究人员认为，DeepSeek可能使用了OpenAI模型的输出来训练R1，这种方法可以在使用较少资源的情况下加速模型能力提升。

在论文的补充资料部分，DeepSeek回应了关于DeepSeek-V3-Base训练数据来源的问题。“DeepSeek-V3-Base的训练数据仅来自普通网页和电子书，不包含任何合成数据。在预训练冷却阶段，我们没有故意加入OpenAI生成的合成数据，此阶段使用的所有数据都是通过网页抓取的。”DeepSeek表示。

不过，DeepSeek也说明，已观察到一些网页包含大量OpenAI模型生成的答案，这可能导致基础模型间接受益于其他强大模型的知识。此外，预训练数据集包含大量数学和编程相关内容，表明DeepSeek-V3-Base已经接触到大量有推理痕迹的数据。这种广泛的接触使模型能够生成较为合理的解决方案，强化学习可以从中识别并优化输出质量。DeepSeek表示，已在预训练中针对数据污染进行了处理。

哥伦布市俄亥俄州立大学的AI研究员Huan Sun表示，这一反驳“与我们在任何出版物中看到的内容同样具有说服力”。Hugging Face的机器学习工程师、同时也是论文审稿人之一的Lewis Tunstall补充说，尽管他不能100%确定R1未基于OpenAI示例进行训练，但其他实验室的复制尝试表明，DeepSeek的推理方案可能足够优秀而无须这样做。“我认为现有证据已相当明确地表明，仅使用纯强化学习即可获得极高性能。”他表示。

DeepSeek也在补充资料部分提到DeepSeek-R1的训练成本。在DeepSeek-R1的研究过程中，团队使用A100 GPU完成了较小规模模型（30B参数）的实验，随后团队将训练扩展至660B参数的R1-Zero和R1模型。

具体而言，DeepSeek-R1-Zero训练使用了64×8张H800 GPU，耗时约198小时。DeepSeek-R1训练同样使用了64×8张H800 GPU，耗时约4天（约80小时）。此外，构建SFT数据集消耗了约5000小时的GPU运算。

DeepSeek表示，假设H800的租赁价格为每小时2美元，DeepSeek-R1-Zero训练成本20.2万美元，SFT数据集创建花费1万美元，DeepSeek-R1训练成本8.2万美元，这三项的总成本为29.4万美元。折合成人民币，这些成本约200万元。

R1基于DeepSeek-V3模型训练，不过，即便加上训练V3模型所花费的约600万美元训练成本，总金额仍远低于竞争对手的模型所花费的数千万美元。

DeepSeek-R1已经成为了全球最受欢迎的开源推理模型，Hugging Face下载量超1090万次。到目前为止，DeepSeek-R1也是全球首个经过同行评审的主流大语言模型。

Lewis Tunstall表示：“这是一个非常受欢迎的先例，如果没有公开分享这一流程大部分内容的规范，就很难评估这些系统是否存在风险。”当前AI行业不乏刷榜的传闻，基准测试可被操控，而经过独立的同行评审显然也能打消疑虑。

具体到此次发布论文内容，其题目是《DeepSeek-R1:Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》，主要公开了仅靠强化学习，就能激发大模型推理能力的重要研究成果。

以往的研究主要依赖大量监督数据来提升模型性能。DeepSeek的开发团队则开辟了一种全新的思路，即使不用监督微调（SFT）作为冷启动，通过大规模强化学习也能显著提升模型的推理能力。如果再加上少量的冷启动数据，效果会更好。

在强化学习中，模型正确解答数学问题时会获得高分奖励，答错则会受到惩罚。因此模型学会了推理，逐步解决问题并揭示这些步骤，从而更有可能得出正确答案。这使得 DeepSeek-R1能够自我验证和自我反思，在给出新问题的答案之前检查其性能，从而提高其在编程和研究生水平科学问题上的表现。

DeepSeek在模型训练中，采用了群组相对策略优化（GRPO）来降低训练成本，设计奖励机制决定着强化学习优化的方向，同时团队设计了简单模板来引导基础模型，要求模型先给出推理过程，再提供最终答案。

为了使更高效的小模型具备DeepSeek-R1那样的推理能力，开发团队还直接使用DeepSeek-R1整理的80万个样本对Qwen和Llama等开源模型进行了微调。研究结果表明，这种简单的“蒸馏”方法显著增强了小模型的推理能力。（第一财经）