9月18日消息，由DeepSeek團隊共同完成、梁文鋒擔任通訊作者的DeepSeek-R1推理模型研究論文，登上了《自然》（Nature）雜志封面。
論文研究人員表示，DeepSeek強大的AI模型R1之所以能成功，并不依賴于使用其競爭對手的輸出內容進行訓練。今年一月，R1的發布曾引發美國股市暴跌。這一聲明出自今天發表于《自然》（Nature）雜志的一篇經同行評議的R1模型論文的附帶文件中。
R1旨在出色地完成數學和編程等“推理”任務，是美國科技公司所開發工具的一個更廉價的競爭對手。作為一個“開放權重”（open weight）模型，任何人都可以下載它，并且它也是迄今為止在AI社區平臺Hugging Face上最受歡迎的此類模型，下載量已達1090萬次。
這篇論文是對今年一月所發布的一份預印本的更新，該預印本描述了DeepSeek如何增強一個標準的大語言模型（Large Language Model, LLM）以處理推理任務。其補充材料首次披露了R1的增量訓練成本僅相當于29.4萬美元。這筆費用是在該公司（總部位于杭州）為構建R1所基于的基礎大語言模型而花費的約600萬美元之外的，但總金額仍遠低于競爭對手模型據信高達數千萬美元的成本。DeepSeek表示，R1主要是在英偉達的H800芯片上進行訓練的，而根據美國的出口管制規定，該芯片自2023年起已被禁止向中國銷售。
嚴格的同行評審
R1被認為是首個經歷同行評議過程的主流大語言模型。“這是一個非常值得歡迎的先例，”Hugging Face的機器學習工程師劉易斯·坦斯托爾（Lewis Tunstall）說，他也是這篇《自然》論文的審稿人之一。“如果我們沒有這種公開分享大部分流程的規范，就很難評估這些系統是否存在風險。”
為回應同行評議的意見，DeepSeek團隊減少了其描述中的擬人化用語，并補充了技術細節的說明，包括模型訓練所用的數據類型及其安全性。“經歷一個嚴格的同行評議過程，無疑有助于驗證模型的有效性和實用性，”位于哥倫布市的俄亥俄州立大學AI研究員孫歡（Huan Sun）說。“其他公司也應該這樣做。”
DeepSeek的主要創新在于，它使用了一種自動化的“試錯法”，即純粹的強化學習（pure reinforcement learning），來創建R1。這個過程是通過獎勵模型得出正確答案的方式進行，而不是教它遵循人類挑選的推理范例。該公司表示，其模型正是通過這種方式學會了自身的類推理策略，例如如何在不遵循人類預設策略的情況下驗證其解題過程。為提高效率，該模型還使用了被稱為“組相對策略優化”（group relative policy optimization）的技術，即利用估算值為自身的嘗試打分，而不是另外采用一個獨立的算法來做這件事。
孫歡表示，該模型在AI研究人員中“相當有影響力”。“2025年迄今為止，幾乎所有在大語言模型中進行強化學習的研究，都可能或多或少地受到了R1的啟發。”
關于訓練方式的爭議
今年一月的媒體報道曾暗示，OpenAI研究人員認為，DeepSeek利用了OpenAI模型的輸出來訓練R1，這種方法可以在使用較少資源的情況下加速模型能力的提升。
DeepSeek并未在其論文中公布其訓練數據。但是，在與審稿人的交流中，該公司的研究人員聲明，R1并非通過復制OpenAI模型生成的推理范例來學習的。不過他們承認，與大多數其他大語言模型一樣，R1的基礎模型是在海量網絡數據上訓練的，因此它會吸收互聯網上已有的任何AI生成內容。
孫歡認為，這一反駁“與我們在任何出版物中能看到的說法一樣有說服力”。坦斯托爾補充說，盡管他無法百分之百確定R1沒有在OpenAI的范例上進行訓練，但其他實驗室的復現嘗試表明，DeepSeek的這套推理方法可能已經足夠好，無需這樣做。“我認為現在的證據相當清楚，僅使用純粹的強化學習就能獲得非常高的性能，”他說。
孫歡說，對于研究人員而言，R1仍然非常有競爭力。在一項旨在完成分析和可視化數據等科學任務的挑戰，即ScienceAgentBench基準測試中，孫歡及其同事發現，盡管R1的準確率并非第一，但從平衡能力與成本的角度來看，它是表現最好的模型之一。
坦斯托爾說，其他研究人員現在正嘗試應用創建R1所用的方法，來提高現有大語言模型的類推理能力，并將其擴展到數學和編程以外的領域。他補充說，從這個意義上講，R1“引發了一場革命”。
