Hi，這里是Aitrainee，歡迎閱讀本期新文章。

Deepseek R1正式發(fā)布。不是之前的Light版本，而是完整的R1。

性能與o1相當(dāng)，還采用MIT開(kāi)源協(xié)議，可以商用?，F(xiàn)在能在Deepseek chat平臺(tái)用，也提供API。

模型分兩個(gè)版本：主力R1，和面向研究的R1-Zero。

R1-Zero沒(méi)有監(jiān)督微調(diào)，直接RL，是一個(gè)未經(jīng)過(guò)對(duì)話偏好對(duì)齊監(jiān)督微調(diào)的版本，專門為研究人員或希望自行微調(diào)模型的人提供。

正式發(fā)布的R1還是用了SFT階段。

R1是671B參數(shù)的大模型，激活參數(shù)只有37B，基于Deepseek V3訓(xùn)練。特別強(qiáng)化了思維鏈和推理能力。

現(xiàn)在Cline或者Roocline中可以直接使用R1了。API獲?。???https://platform.deepseek.com/usage??

在Roocline中這樣設(shè)置：

Roocline是什么？看這里：

??全新免費(fèi)的 RooCline 超越了Cline v3.1 ？！更快、更智能、更出色的Cline分叉?。ㄗ灾鰽I編程、0門檻）??

作為測(cè)試，我們用前面寫過(guò)一篇文章《??從0到1用AI做了個(gè)AI服務(wù)網(wǎng)站, 全程沒(méi)寫一行代碼??》，把開(kāi)頭的那個(gè)三合一提示詞扔給他：

讓他創(chuàng)建一個(gè)Saas網(wǎng)站原型。那么提示詞比較長(zhǎng)，可以通過(guò)上面這篇文章獲得。

挺不錯(cuò)的，Saas框架、前后端、登陸注冊(cè)、生圖都還可以。

其次，這是它在Cline中速度、消耗表：

youtube@WorldofAI

Deepseek官網(wǎng)直接Chat使用：

此外，還有6個(gè)蒸餾小模型：Qwen 1.5B、7B，Llama 8B，Qwen 14B、32B，還有Llama 系列。

這些微調(diào)模型使用由DeepSeek-R1生成的樣本進(jìn)行訓(xùn)練，這大大降低了思考模型的構(gòu)建門檻。

這個(gè)操作很暖心，讓不同需求的用戶都能用上，從筆記本到服務(wù)器，都能找到合適的版本。

測(cè)試結(jié)果超出預(yù)期，最強(qiáng)的是Llama-70B。GPQA Diamond 65.2，比Claude 3.5還高。編程上，LiveCodeBench 57.5，CodeForces 1633，幾乎能和o1-mini比肩。

Ollama已經(jīng)可以部署了，很快也能用VLLM本地運(yùn)行。

R1價(jià)格很友好。API收費(fèi)：輸入每百萬(wàn)token 0.14美元（緩存命中），0.55美元（緩存未命中），輸出2.19美元。對(duì)比o1：輸入15美元，輸出60美元。

再說(shuō)完全靠強(qiáng)化學(xué)習(xí)，不需要監(jiān)督微調(diào)這一條：

用硬編碼規(guī)則計(jì)算獎(jiǎng)勵(lì)，而非使用學(xué)習(xí)型的獎(jiǎng)勵(lì)模型。學(xué)習(xí)型獎(jiǎng)勵(lì)模型可能會(huì)被強(qiáng)化學(xué)習(xí)策略“利用”或“作弊”，導(dǎo)致優(yōu)化的結(jié)果偏離預(yù)期目標(biāo)。就像AlphaZero，從零開(kāi)始學(xué)習(xí)，不靠模仿人類。

訓(xùn)練過(guò)程中有意思的發(fā)現(xiàn)：模型的思考時(shí)間會(huì)自然增長(zhǎng)，這不是預(yù)設(shè)的，是自發(fā)形成的。模型逐漸學(xué)會(huì)為復(fù)雜問(wèn)題花費(fèi)更多時(shí)間進(jìn)行思考，體現(xiàn)出類似于“自我反思”和“探索行為”的能力。

這是高級(jí)智能行為的一種表現(xiàn)，表明模型具備了更深層次的推理能力。這種未被明確編碼的能力，屬于智能的“涌現(xiàn)特性”（emergent behavior）。

他們發(fā)明的GRPO比PPO更簡(jiǎn)單：去掉critic網(wǎng)絡(luò)，用多個(gè)樣本的平均獎(jiǎng)勵(lì)代替，簡(jiǎn)化了內(nèi)存使用。這個(gè)方法，是他們2024年2月才提出的。

DeepSeek-R1-Zero的測(cè)試結(jié)果很有意思。

只靠強(qiáng)化學(xué)習(xí)，在AIME 2024上得到71.0分，MATH-500達(dá)到95.9分。雖然比o1-0912略低，但差距并不大。

特別是在MATH-500上，R1-Zero的95.9分超過(guò)了o1-mini的90.0分。這說(shuō)明純RL訓(xùn)練的模型，也能掌握復(fù)雜的數(shù)學(xué)推理。

LiveCode Bench上得到73.3分，比o1-mini的60.0分高出不少。

這個(gè)結(jié)果很重要：它證明了，不需要大量標(biāo)注數(shù)據(jù)，單靠強(qiáng)化學(xué)習(xí)，AI也能學(xué)會(huì)思考和推理。這可能會(huì)改變我們訓(xùn)練AI的方式。

R1，僅用幾個(gè)月就達(dá)到了閉源大廠的水平，還提供了更實(shí)惠的價(jià)格。

最后，據(jù)官方所述，DeepSeek-R1還有幾個(gè)地方需要提升，他們將繼續(xù)努力：

通用能力上，函數(shù)調(diào)用、多輪對(duì)話、角色扮演和JSON輸出，都不如V3版本。團(tuán)隊(duì)打算用長(zhǎng)鏈推理來(lái)改進(jìn)。

語(yǔ)言處理有點(diǎn)意思?，F(xiàn)在主要針對(duì)中英文優(yōu)化，其他語(yǔ)言容易混雜。比如用德語(yǔ)問(wèn)，它可能用英語(yǔ)想，再用德語(yǔ)答。

提示詞很敏感。少樣本提示反而會(huì)影響性能，建議直接描述問(wèn)題和輸出格式，效果更好。

軟件工程任務(wù)上，評(píng)估太慢影響了RL訓(xùn)練。計(jì)劃用拒絕采樣或異步評(píng)估來(lái)提速。

本文轉(zhuǎn)載自 ??AI進(jìn)修生??，作者： Aitrainee