DeepSeek学习笔记之——DeepSeek-R1论文（英中对照）

最新推荐文章于 2025-03-18 22:19:27 发布
原创 最新推荐文章于 2025-03-18 22:19:27 发布 · 465 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #DeepSeek #DeepSeek-R1 #DeepSeek-R1论文

《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》

(用的google翻译，凑和能看~~~，共22页，第17页起为贡献&致谢)

P1:

P2:

P3:

P4:

P5:

P6:

P7:

P8:

P9:

P10:

P11:

P12:

P13:

P14:

P15:

P16:

P17:

P18:

P19:

P20:

P21:

P22:

『大模型笔记』DeepSeek-R1-Distill-Qwen-14B vLLM 部署
AI新视界
02-19 361
DeepSeek-R1-Distill-Qwen-14B vLLM 部署。
DeepSeek掘金——DeepSeek-R1股市分析综合指南
03-03 3694
在当今快节奏且竞争激烈的股票市场环境中，传统的分析方法已不再足以保持领先。AI股票交易已经作为一种革命性的力量出现，而DeepSeek R1则处于这一变革的前沿。 无论你是对AI股票交易机器人感兴趣的初学者，可能正在寻找免费选项来涉足AI驱动的交易世界，还是一个寻找先进AI股票交易工具的老手，DeepSeek R1都能满足你的需求。它提供了一套强大的、免费的解决方案，可以完全改变你的投资策略。 AI在投资管理中的独特能力在于能够以惊人的速度和准确性处理庞大的数据量。这使投资者能够预测市场趋势并管理风险，
[读论文]Deepseek V1
wqxwy的博客
01-26 1067
推理任务DeepSeek-R1在AIME 2024上获得了79.8%的Pass@1得分，略微超越了OpenAI-o1-1217。在MATH-500上，它获得了97.3%的得分，与OpenAI-o1-1217相当，并显著优于其他模型。在与编码相关的任务中，DeepSeek-R1在代码竞赛任务中表现出专家水平，其在Codeforces上的Elo评分为2029，超越了96.3%的人类参赛者。在工程相关任务中，DeepSeek-R1的表现略优于DeepSeek-V3，这可能有助于开发人员在现实世界任务中的应用。
【大模型】DeepSeek-R1 论文原文翻译 + 解读
以为在机器学习领域与人工智能领域深耕多年的老牛
02-07 1595
我们介绍了第一代推理模型DeepSeek-R1-Zero和DeepSeek-R1。DeepSeek-R1-Zero是通过大规模强化学习（RL）训练的模型，无需将监督微调（SFT）作为初步步骤，展现出卓越的推理能力。通过强化学习，DeepSeek-R1-Zero自然地展现出许多强大且引人注目的推理行为。然而，它面临着诸如可读性差和语言混杂等挑战。为了解决这些问题并进一步提升推理性能，我们推出了DeepSeek-R1，它在强化学习前融入了多阶段训练和冷启动数据。
DeepSeek-R1 论文解读
yaohaishen的专栏
01-21 1万+
作者展示了通过大规模强化学习（RL）可以显著提升模型的推理能力，即使不使用监督微调（SFT）作为冷启动。进一步地，加入少量冷启动数据可以进一步提升性能。：直接在基础模型上应用RL，无需任何SFT数据。：从经过数千个长链推理（CoT）示例微调的检查点开始应用RL。蒸馏：将DeepSeek-R1的推理能力蒸馏到小型密集模型中。
【论文翻译】DeepSeek-Coder-V2: Breaking the Barrier of Closed-Source Models in Code Intelligence
无远弗届
06-18 3739
本翻译来自大模型翻译，如有不对的地方，敬请谅解 引言 开源社区通过开发诸如StarCoder（Li等人，2023b；Lozhkov等人，2024）、CodeLlama（Roziere等人，2023）、DeepSeek-Coder（Guo等人，2024）和Codestral（MistralAI，2024）等开源代码模型，在推进代码智能方面取得了显著进展。这些模型的性能已稳步接近闭源同类产品，为代码智能的进步做出了贡献。然而，当与像GPT4-Turbo（OpenAI，2023）、Claude 3 Opus（An
【论文阅读】DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
qq_41502855的博客
01-21 4498
此外，DeepSeek-R1-Zero在MATH-500上的得分为95.9%，在GPQA Diamond上的得分为73.3%，在LiveCodeBench上的得分为50.0%。：DeepSeek-R1-Distill-Qwen-7B在AIME 2024上的得分为55.5%，超过QwQ-32B-Preview。DeepSeek-R1-Distill-Qwen-32B在AIME 2024上的得分为72.6%，在MATH-500上的得分为94.3%，在LiveCodeBench上的得分为57.2%。
大模型系列——用Deepseek-R1蒸馏自己的模型
2401_84052244的博客
03-18 4676
为了举例说明，我希望模型能够遍历我的数据集，理解每个意见的情感，并从-5到5对每个意见进行排名，并将其添加到新的列中。总之，上述指南为你提供了一个简单的方法来创建最新精馏Deepseek-R1模型的本地私有实例，并展示了如何创建自定义提示以在自己的数据上以可扩展的方式运行。通过使用pandas的apply()函数，我可以使用上述指定的函数针对数据框中的所有行运行模型，并结合辅助系统提示来帮助指导模型产生正确的输出。确保指定正确的模型。只需在>>>后面直接写入你的提示，就可以开始与你的模型的本地版本互动。
大模型——用Deepseek-R1蒸馏自己的模型
03-18 1225
为了举例说明，我希望模型能够遍历我的数据集，理解每个意见的情感，并从-5到5对每个意见进行排名，并将其添加到新的列中。总之，上述指南为你提供了一个简单的方法来创建最新精馏Deepseek-R1模型的本地私有实例，并展示了如何创建自定义提示以在自己的数据上以可扩展的方式运行。通过使用pandas的apply()函数，我可以使用上述指定的函数针对数据框中的所有行运行模型，并结合辅助系统提示来帮助指导模型产生正确的输出。确保指定正确的模型。只需在>>>后面直接写入你的提示，就可以开始与你的模型的本地版本互动。
[笔记.AI]Deepseek-R1 各参数版本的蒸馏模型对比
:: Dotnet Fantasy ::
02-10 1638
3.上下文处理能力：32B模型相比14B模型在长文本理解任务中的准确率提升18%（基于MMLU测试 - Massive Multitask Language Understanding）2.代码生成质量：7B模型可生成基础函数代码，14B模型能实现完整算法（如快速排序），32B模型支持API级代码生成（含异常处理）- 32B模型在处理8K上下文时，关键信息捕捉准确率达92%，而14B模型仅74%- 7B模型在10步以上数学推导中准确率仅54%，32B可达89%人类专家水平：F1 89-92%（相同测试集）
【论文翻译】DeepSeek-V3论文翻译——DeepSeek-V3 Technical Report——第一部分：引言与模型架构
qq_58718853的博客
02-07 4340
Deepseek技术报告翻译第一部分：模型架构
论文精读（3）——精读DeepSeek技术报告系列
ldy_lzy的博客
02-16 1355
关于Deepseek-V2版本技术点的创新确实很多，因此会发布三篇文章来深入浅出的讲解。这篇主要串一下整体的流程并详细讲解第一个技术创新：Multihead latent Attention(MLA)；个人认为技术创新一定有规律遵循，就好比搭积木一点一点搭起来的，每理解清楚一层再走到下一层才会更加坦然
DeepSeek_R1论文翻译附原文地址
Tongzhi_的博客
01-30 1368
推理任务：（1）DeepSeek-R1在AIME 2024上的Pass@1得分率为79.8%，略微超过OpenAI-o1-1217。在MATH-500任务中，它获得了97.3%的高分，与OpenAI-o1-1217的表现相当，明显优于其他模型。（2）在编码相关任务中，DeepSeek-R1在代码竞赛任务中表现出专家级水平，它在Codeforces上的Elo评分达到2,029分，超过96.3%的人类参赛者。
【DeepSeek论文精读】3. DeepSeekMoE：迈向混合专家语言模型的终极专业化
youcans的博客
02-07 4897
论文提出了MoE语言模型的DeepSeekMoE架构，目的是实现终极的专家专业化(expert specialization)。通过细粒度的专家分割和共享专家隔离，DeepSeekMoE相比主流的MoE架构实现了显著更高的专家专业化和性能。
deepseek各个版本及论文
evanzh7的博客
01-26 2万+
论文地址：https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf5。论文地址：https://arxiv.org/abs/2401.0295420。论文地址：https://arxiv.org/abs/2412.1943714。论文地址：https://arxiv.org/abs/2401.060662。论文地址：https://arxiv.org/abs/2501.129481。
DeepSeek-R1 解读及技术报告中文版
热门推荐
2401_85343303的博客
01-26 3万+
DeepSeek-R1的研究标志着LLM推理能力进化的一次重要跨越。通过纯强化学习与蒸馏技术，团队不仅验证了模型自主进化的可能性，更构建了从理论研究到产业落地的完整链条。这一工作为AGI的发展提供了新范式：在减少对人类先验依赖的同时，通过算法创新与开源协作，推动智能技术的普惠与深化。未来，随着更多类似研究的涌现，我们或许正站在通用人工智能的真正起点。
DeepSeek-R1论文中英文对照版，技术细节 & 亮点
扶着老奶奶闯红灯
02-05 1638
DeepSeek-R1论文中英文对照版，技术细节 & 亮点
一文读懂DeepSeek-R1论文
qq_63708623的博客
01-28 4787
论文提出了基于强化学习（RL）的推理模型和。：完全通过大规模强化学习（无需监督微调/SFT）训练，展示了强大的推理能力，但存在可读性差、语言混合等问题。：在强化学习前引入冷启动数据和多阶段训练（SFT + RL），解决了可读性问题，性能与相当。开源贡献：发布 DeepSeek-R1-Zero、DeepSeek-R1 及基于 Qwen 和 Llama 的 6 个蒸馏模型（1.5B 至 70B），供研究社区使用。DeepSeek-R1-Zero 的训练强化学习算法。
一文读懂论文：《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》
Joining667的博客
02-13 2025
DeepSeek-R1整篇论文概况一下就是：DeepSeek团队为实现提高和改进AI模型的推理和思考能力，基于基础模型DeepSeek-V3-Base，使用其独创的"GRPO"纯强化学习方法，直接在该基础模型上应用RL，颠覆之前的监督微调的方式，无需任何的监督微调数据，训练出了性能极佳的DeepSeek-R1-zero模型。但训练出DeepSeek-R1-zero存在两个问题，即可读性差和语言混杂。为了解决这些问题并进一步提升推理性能，DeepSeek进一步开发了DeepSeek-R1。
如何理解deepseek-r1-distll-qwen-1.5b这样的命名的意义呢
最新发布
07-18
### 模型命名规则解析：DeepSeek-R1-Distill-Qwen-1.5B 模型名称 `DeepSeek-R1-Distill-Qwen-1.5B` 可以从多个维度进行解读，每一部分都代表了特定的技术背景或设计目标。 #### DeepSeek “DeepSeek”是该模型的开发者或品牌名称。这一部分表明模型是由 DeepSeek 团队研发，体现了其在人工智能领域的技术实力和品牌标识 [^3]。 #### R1 “R1”可能表示这是 DeepSeek 系列中的一个特定版本或迭代。通常，“R”可以理解为“Release”或“Revision”，而“1”则表示这是该系列的第一个主要版本。这有助于用户识别不同版本之间的更新和改进 [^3]。 #### Distill “Distill”指的是知识蒸馏（Knowledge Distillation）技术。这是一种将大型模型的知识转移到小型模型中的方法，使得小型模型能够在保持较高性能的同时，降低计算复杂度和资源消耗。通过这种方式，DeepSeek-R1-Distill-Qwen-1.5B 能够在一些主要基准上表现出色，甚至超越 GPT-4 和 Claude 3.5 Sonnet [^2]。 #### Qwen “Qwen”表明该模型的基础架构来源于阿里云的 Qwen 系列模型。这意味着 DeepSeek 在开发过程中利用了 Qwen 的某些特性或结构，可能是为了更好地适配中文场景或多模态任务 [^3]。 #### 1.5B “1.5B”表示模型的参数量为 15 亿（Billion）。这是一个重要的指标，反映了模型的规模和复杂性。较小的参数量意味着模型更适合在资源受限的环境中运行，如手机、旧款笔记本甚至树莓派等设备 [^3]。 ### 示例代码：加载 DeepSeek-R1-Distill-Qwen-1.5B 模型 以下是一个使用 HuggingFace Transformers 库加载 DeepSeek-R1-Distill-Qwen-1.5B 模型的示例代码： ```python from transformers import AutoTokenizer, AutoModelForCausalLM # 加载 DeepSeek-R1-Distill-Qwen-1.5B 模型和分词器 tokenizer = AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B") model = AutoModelForCausalLM.from_pretrained("deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B") # 输入文本 input_text = "Explain the importance of efficient algorithms in computer science." # 编码输入 inputs = tokenizer(input_text, return_tensors="pt") # 生成输出 outputs = model.generate(**inputs, max_new_tokens=100) # 解码输出 print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` ###
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Jack_abu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值