AI学习资料留档（持续更新）

一、模型部署/硬件资源

1、动态量化版部署方法、大小

完整的671B MoE DeepSeek R1怎么塞进本地化部署？详尽教程大放送！ | 机器之心

2、

二、模型应用

1、deepseek R1+cursor使用 

不卡顿、免费的满血版DeepSeek-R1 API，在无问芯穹这里用上了，更有异构算力鼎力相助 | 机器之心

2、

三、技术研究

1、模型训练对高质量有用数据的需求，团队开发了学习影响力度量（Learning Impact Measurement, LIM）方法。通过分析模型的学习曲线，LIM 可以自动识别那些与模型学习进程高度匹配的 "黄金样本"。

大模型强化学习新发现：删减84%数据反提升效果 | 机器之心

2、一个可供参考的微调“大礼包”

DeepSeek V3+R1满血微调工具上线！一键启动，硬件要求降10倍 | 机器之心

3、利用代码形成思维链来训练，而不是单纯用代码训练（这个感觉可以参考实践）

DeepSeek团队新作：把代码变成思维链，大模型推理各种能力全面提升 | 量子位

论文地址：
https://arxiv.org/abs/2502.07316
GitHub：
https://github.com/hkust-nlp/CodeIO

4、利用思维链做微调

Qwen2.5思维链微调代码实操 + 多卡Lora微调完整代码-优快云博客

参考文献：

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

http://arxiv.org/pdf/2201.11903

翻译：

论文翻译 | Chain-of-Thought Prompting Elicits Reasoningin Large Language Models 思维链提示在大型语言模型中引出推理_chain-of-thought prompting elicits reasoning in la-优快云博客