【必收藏】程序员入门大模型深度思考技术：四大核心路径完全解析

关注

原创最新推荐文章于 2026-04-28 05:46:52 发布 926 阅读 AI 写同款· GEO 优化 ›

避开地图定位的坑：手把手教你处理GCJ-02和WGS-84坐标转换（2023最新版）本文深入解析了GCJ-02与WGS-84坐标系转换的核心原理与常见误区，提供了详细的代码实现与精度控制方法。针对地图定位开发中的实际痛点，文章重点阐述了如何通过迭代逼近法实现高精度坐标转换，并给出了误差测试与业务场景下的工程实践指南，帮助开发者有效规避定位漂移等问题。阅读详情

｜导语

本期是李宏毅「生成式AI时代下的机器学习（2025）」系列课程第七讲《DeepSeek-R1 这类大型语言模型是如何进行「深度思考」（Reasoning）的？》的全程实录。课程将带您深入剖析大型语言模型进行「深度思考」（Reasoning）的内在机制，并系统性地揭示打造这类模型的四大核心路径。内容从剖析「测试时计算」（Testing Time Compute）这一核心理念入手，逐一拆解了从无需微调的思维链（CoT）与工作流设计，到需要微调的模仿学习与强化学习等多种技术，并最终以 DeepSeek-R1 的诞生过程为案例，看它如何通过多种方法的复杂融合，赋予模型解决复杂问题的强大推理能力。

｜课程概览

一、核心问题：什么是模型的“深度思考”？

定义：这并非指模型拥有与人类同质的意识或思考，而是一种特定的行为模式**：先生成一段包含自我验证、探索多种可能性、规划步骤的详细文本（内心戏），再输出最终答案。
基本原理：其本质是一种 “测试时计算”（Testing Time Compute），即在推理（Inference）阶段投入更多计算资源，以“长度换深度”，从而提升解决复杂问题的能力。这与AlphaGo在下棋时使用蒙特卡洛树搜索（MCTS）进行深度推演的理念一致。

二、打造深度思考模型的四种核心方法

课程将打造方法分为两大类，四种具体路径：

A. 无需微调模型的方法（适用于已有模型）

方法一：高级指令与提示 (Better CoT)

通过精心设计的提示词（Prompt），如“Let’s think step by step”或更复杂的监督式思维链 (Supervised CoT)，引导模型自主生成详细的思考和验算过程。此方法依赖模型本身强大的指令遵循能力。

方法二：设计推理工作流 (Workflow)

强制模型进行多路径探索，然后筛选出最佳答案。关键技术包括：
多次尝试 + 多数投票 (Majority Vote)：让模型多次解答，选择出现频率最高的答案。
验证器 (Verifier) + 最佳选择 (Best-of-N)：训练一个“裁判”模型来评估多个答案的质量，选出最好的一个。
束搜索 (Beam Search)：在解题的每一步都保留N个最有可能的路径，逐步筛选，避免过早陷入错误路径。

B. 需要微调模型的方法（打造新模型）

方法三：模仿学习 (Imitation Learning)

核心是“教”模型如何思考。通过监督式微调，让模型学习包含“问题→高质量推理过程→答案”的范例。
挑战：高质量的推理数据从何而来？可通过知识蒸馏（让强模型生成）或“知错能改”的训练（故意包含错误路径和修正过程）来构建，让模型学会逆境翻盘。

方法四：强化学习 (Reinforcement Learning)

核心是“结果导向”。不关心推理过程是否优美，只根据最终答案的正确与否给予模型奖励或惩罚，让模型自行探索出最高效的、能导向正确答案的思考模式。这是DeepSeek-R1系列闻名的核心技术。

三、综合案例：DeepSeek-R1 的诞生之路

DeepSeek-R1并非单一方法的产物，而是上述所有方法的复杂融合：

1. 起点：先用强化学习训练出一个推理能力强但过程混乱的“野蛮”模型（R1-0）。

2. 提纯：让R1-0生成大量推理数据，再投入大量人力进行修改和润色。

3. 升华：用这些高质量数据进行模仿学习，并结合高级指令生成的数据，训练出更可控的模型。

4. 迭代：在上述基础上，再进行多轮的强化学习和模仿学习，并结合工作流的理念，最终得到成熟的DeepSeek-R1。

结论：这四种方法并非互斥，而是可以相辅相成、组合使用的。

四、总结与挑战

当前挑战：模型常常在简单问题上进行不必要的“过度思考”，浪费大量计算资源和时间。
未来方向：如何让模型学会自适应推理，即判断问题的难度，只在需要时才启动深度思考，实现计算效率和问题解决能力的平衡。

我们本周要讲的是会进行“深度思考”的大型语言模型。

这里的“深度思考”指的是现在一系列模型所展现出的一种特定行为。具有这种深度思考行为的模型包括：

ChatGPT的O系列
DeepSeek的R系列
Gemini的Flash Thinking
Claude 3.7 Sonnet的Extended Thinking Mode

所以，这已成为当前大型语言模型一个相当流行的能力。

深度思考行为的实例

以 DeepSeek-R1 为例，当你问它“1+1等于多少”时，它会回答“2”。但除了答案，还会出现一个可以展开的框，标记为“以深度思考”。

点开这个框，你会看到它的“内心小剧场”：

初步思考：“一个苹果加一个苹果，就是两个苹果，所以1+1等于2。”
自我质疑：“等一下，这会不会有什么陷阱？让我想想看，1+1会不一定等于2？比如说在二进制中，1+1等于10。”（我问这个问题时都没想到这点）
最终决策：“使用者只是写了1+1，没有提供额外的信息，他可能只是在测试我会不会想太多。所以，最终的答案是2。”

这些深度思考的语言模型，其特色就是会先给出一个很长的思考过程，最后再给出答案。通常，它会在思考过程前后加上<think>和</think>这样的标签，方便界面选择性地展示这部分内容。

在思考过程中，模型通常有几个行为：

验证（Verification）: “Let me check the answer.” 检查自己刚才的答案是否正确。
探索（Exploration）: 尝试思考其他的可能性。
规划（Planning）: 规划解决问题的步骤。

这个思考过程很多时候也被称为推理（Reasoning）。

注意：Reasoning vs. Inference

需要区分两个词：

Reasoning (推理): 指模型在生成答案时，产生特别长的思考过程的这种行为。
Inference (推论): 在机器学习领域，通常指使用一个已经训练好的模型进行测试或应用的过程。

本课程中，我们把这种深度思考行为直接称为“推理（Reasoning）”，但这并不意味着其过程与人类的推理完全一样。

一、核心问题：什么是模型的“深度思考”？

核心概念：Testing Time Compute

这种推理行为是 Testing Time Compute 的一种，即在测试阶段投入更大的算力，以期获得更好的结果。为什么这会有用呢？我们之前提过一个概念：“深度不够，长度来凑”。

1. AlphaGo的启示

Testing Time Compute 并非全新概念。在AlphaGo中，除了训练时得到的 Policy Network 和 Value Network，在测试（实际下棋）时，它也进行了巨大的运算，即蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）。AlphaGo 会在“脑内”模拟多种下棋的可能性，预估不同位置的胜率，最后选择胜率最高的位置。

2. Test Time Scaling

这个概念进一步引申出Test Time Scaling：思考越多，结果往往越好。一篇早期的论文研究了棋类游戏，发现可以将算力投注在训练时（得到更好的Policy/Value Network），也可以投注在测试时（做更大规模的MCTS）。实验结果表明，投入少量算力在 Testing Time，就可以显著减少在 Training Time所需耗费的大量算力。

如今，这个概念在语言模型上被广泛应用：通过产生非常长的思考过程，让语言模型解决更难的问题。

二、打造深度思考模型的四种核心方法

接下来，我们探讨打造这类模型的四种主要方法。前两种无需微调模型参数，后两种则需要。

方法一：更好的思维链（Chain-of-Thought, CoT） - 无需微调

Chain-of-Thought（CoT）就是让模型先列出解题过程，再给出答案，这与深度思考模型的行为非常类似。

Few-shot CoT: 给模型提供几个“问题-解题过程-答案”的范例，让它学会这种模式。
Zero-shot CoT: 无需范例，直接用一句魔法指令，如“Let’s think step by step”，模型就会自动列出思考过程。

现在的推理模型所做的，可以看作是长思维链（Long CoT）。要让模型产生更长的思考过程，只需在Prompt中给出更详细、更精确的指示，这种方法也称为Supervised CoT。

Supervised CoT 实例

我对GPT-4o下了一个复杂的Prompt，要求它：

深入解析题目，制定清晰的解题计划。
按部就班执行，每一步都列出子计划。
每一步执行后都进行多次验算。
考量所有可能的解法。
将思考过程放在<think>和</think>标签之间。

问题：123 × 456 = ?

GPT-4o的回答展现了类似深度思考的行为：

题目分析与总计划: 将456拆解为400+50+6，分别与123相乘后求和。

验算计划:
- 用标准直式乘法验算。
- 估算答案的范围。
- 用Python验算（最后没做，属于幻觉）。
计算与验算:
它正确地用直式乘法算出了56088。

它估算了上下界，虽然方法有点奇怪，但结论是答案在合理范围内。

它尝试用交换律做第三次验算，但算到一半发现“无明确帮助，略过”，这反而体现了它知道何时放弃无效路径的智能。

注意：这种方法对模型能力要求较高，较弱的模型（如LLaMA 3）可能无法完全遵循复杂的指令。

方法二：提供推理的工作流程 - 无需微调

对于能力稍弱的模型，我们可以直接为其设定一个推理的工作流程，强制它进行多方尝试。

1. 多次独立尝试（Parallel Exploration）

就像“无限猴子定理”，让语言模型对同一个问题回答成千上万次，由于每次回答都有随机性，它总有机会产生出正确答案。

但问题是，如何从众多答案中选出正确的那一个？

多数投票（Majority Vote / Self-Consistency）: 选择出现次数最多的答案。这是一个非常强大且难以超越的基准方法。

验证器（Verifier / Best-of-N）: 训练一个模型（或直接用一个强大的语言模型）来评估每个答案的正确性，然后选择分数最高的那个答案（Best of N）。训练验证器的数据可以通过比较模型生成答案和标准答案来获得。

2. 逐层深入探索（Sequential & Step-by-step）

模型可以不是一次性生成完整答案，而是分步进行，并在每一步后进行验证。

过程验证器（Process Verifier）: 这种验证器不需要看到最终答案，只需根据解题过程的一部分就能判断其正确性。
束搜索（Beam Search）: 在每一步，生成多种可能的下一步，然后用过程验证器评估，只保留最好的N条路径继续探索，摒弃较差的路径。

实验证明：Hugging Face的一篇博客文章中的实验显示，使用 Beam Search 这种方法，一个1B参数的模型在数学问题上的表现，甚至可以超越一个8B参数的模型。这证明了好的推理流程可以极大地弥补模型规模的不足。其他更复杂的搜索算法，如A*、MCTS等，也都可以应用在此框架下。

方法三：模仿学习（Imitation Learning） - 需要微调

这种方法是直接教模型如何进行推理，可以看作是上周讲的“后训练（Post-training）”的特例。

核心思想：我们使用包含“问题-推理过程-答案”的训练数据，通过监督式微调（Supervised Fine-tuning），让模型学会不仅要输出正确答案，还要生成中间的推理过程。

挑战：如何获取带推理过程的训练数据？

通常我们只有问题和答案。一个可行的办法是：

用一个强大的模型（如GPT-4）通过CoT提示生成推理过程。
只保留那些最终答案正确的“问题-推理过程-答案”对，作为训练数据。

进阶思考：我们应该只教模型“完全正确”的推理路径吗？

不一定。如果模型只见过一帆风顺的正确推理，当它在实际应用中走错一步时，它将不知道如何纠正，只会硬着头皮错下去。

因此，我们需要教模型知错能改。

包含错误路径的训练数据: 一些研究如 String of Search 和 Journey Learning 提出，在构建训练数据时，应故意包含一些错误的探索路径和回溯修正的过程。例如，训练数据可以长这样：“尝试方法A -> 发现错误 -> 回溯 -> 尝试方法B -> 得到正确答案”。这样训练出的模型，才能学会“逆转胜”。
知识蒸馏（Knowledge Distillation）: 一个更便捷的方法是，直接用一个已经具备深度思考能力的模型（如DeepSeek-R1）作为老师，生成大量的推理数据，然后让我们的目标模型去模仿学习。DeepSeek的论文也证明了这种方法的有效性，能将R1的推理能力蒸馏到更小的模型上。

方法四：以结果为导向学习（Reinforcement Learning） - 需要微调

这是以 DeepSeek-R1 系列闻名的做法，核心是使用强化学习（RL），以结果为导向来教模型推理。

核心思想：模型生成推理过程和最终答案。我们不关心推理过程本身写了什么，只看最终答案是否正确。

如果答案正确，模型获得正向奖励（Positive Reward）。
如果答案错误，模型获得负向奖励（Negative Reward）。

通过RL，模型会自己探索出那些更容易导向正确答案的推理模式。

三、综合案例：DeepSeek-R1 的诞生之路

DeepSeek-R1的打造过程极其复杂，融合了我们前面讨论的所有方法，并非单纯的RL。

1. R1-0的诞生 (纯RL): 他们先用RL在 DeepSeek V3 Base 模型上训练，奖励只基于答案正确性和格式（是否使用<think>标签）。这得到了一个能自主推理（甚至出现“Aha moment”）但推理过程混乱、难以阅读的 R1-0 模型。

2. R1的复杂打造流程:

步骤一 (模仿学习): 用R1-0生成推理数据，然后投入大量人力去修改和润色这些数据，使其变得清晰可读。同时，也用Supervised CoT等方法生成高质量数据。用这些数据通过模仿学习训练出模型A。
步骤二 (RL): 对模型A进行RL，得到模型B。这次的奖励除了正确率，还加入了一个“语言一致性”的奖励，避免推理过程中语言混杂。
步骤三 (模仿学习): 用模型B在更广泛的任务上生成了60万条推理数据，并用规则过滤掉质量差的。这些数据再混合20万条Self-Instruct数据，通过模仿学习训练出模型C。
步骤四 (最终RL): 对模型C进行最后一次RL，主要强化其安全性和帮助性，最终得到我们使用的 DeepSeek-R1。

关键洞察：

RL的成功很大程度上依赖于一个强大的基础模型。研究发现，DeepSeek V3 Base 在RL训练前，就已经具备了初步的、潜在的推理和自我怀疑能力（如“Wait, I’m overthinking”）。RL的作用是强化并激发了这些已有的能力。如果基础模型太弱，单纯用RL很难凭空创造出推理能力。