DeepSeek学习笔记之——DeepSeek-R1论文（英中对照）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 563平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

原创最新推荐文章于 2026-04-15 20:23:56 发布 563 阅读 AI 写同款· GEO 优化 ›

【论文阅读】DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning 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%。阅读详情

《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:

收录于

大模型

当前文章被收录于：

大模型

8 篇文章 0 人学习

订阅专栏查看详情

AIGC

当前文章被收录于：

AIGC

6 篇文章 0 人学习

订阅专栏查看详情

国产大模型

当前文章被收录于：

国产大模型

4 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

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

DeepSeek系列论文解读之DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning 本文浅谈了DeepSeek-R1系列论文，探讨其如何通过强化学习提升大型语言模型的推理能力。DeepSeek-R1-Zero作为纯强化学习模型，虽在推理任务中表现出色，但存在语言混合等问题。为解决此问题，DeepSeek-R1引入冷启动数据微调、多阶段强化学习及拒绝采样等改进策略，显著提升了模型的推理性能，其在AIME 2024等任务上的表现已接近甚至超越行业领先水平。阅读详情

相关推荐

DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning论文解读

DeepSeek R1 是一款基于强化学习的大规模语言模型，因其技术突破和开源共享而备受关注。它成功复现了顶尖模型的深度推理能力，并且是开源的，让全球的研究者和开发者可以自由使用和改进。DeepSeek R1 不仅在数学、算法等领域表现出色，还展示了跨任务应用的能力，如写作等。该模型在资源有限的情况下，通过算法创新实现了高效性能，降低了使用门槛，并通过一键部署简化了接入流程。

weixin_38252409的博客 1901

一文读懂DeepSeek-R1论文

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。

qq_63708623的博客 5246

DeepSeek-R1 论文阅读 DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

和。这些模型的核心创新点是通过强化学习（Reinforcement Learning, RL）来提升大型语言模型（LLM）的推理能力，而没有依赖传统的监督微调（Supervised Fine-Tuning, SFT）作为预训练的步骤。是一种通过大规模强化学习直接训练的模型。它在推理能力上表现出色，能够自然地展现出许多强大且有趣的推理行为。但它也有一些问题，比如可读性差和语言混合。这意味着模型在生成文本时，有时会显得不太清晰，或者不一致地使用不同语言。为了解决这些问题并进一步提升推理能力，研究者提出了。

CSPhD-winston的博客 1840

DeepSeek-R1 论文解读

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。

yaohaishen的专栏 1万+

【大模型】DeepSeek-R1 论文原文翻译 + 解读

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。

以为在机器学习领域与人工智能领域深耕多年的老牛 2233

如何理解鲁棒性？为什么robustness会翻译为鲁棒性？

鲁棒性，英文为Robustness（承受故障和干扰的能力），是许多复杂系统（包括复杂网络）的关键属性。复杂网络的鲁棒性研究对许多领域都非常重要。本文着重介绍了鲁棒性的基本定义、命名起源、分类区别、提升方法和具体应用，供大家学习参考。

weixin_46880696的博客 8万+

【DeepSeek论文精读】1. 从 DeepSeek LLM 到 DeepSeek R1

DeepSeek R1 推理大模型的发布颠覆了我们的认知。本文介绍从 DeepSeek LLM、DeepSeek MoE、DeepSeek V2、DeepSeek V3 到 DeepSeek R1 的发展历程。本系列将逐篇解读 DeepSeek 论文和模型。

youcans的博客 5万+

深入解析NRF52832安全DFU Bootloader实现机制与蓝牙OTA升级流程

本文深入解析了NRF52832芯片安全DFU Bootloader的实现机制与蓝牙OTA升级流程。详细阐述了Bootloader的核心概念、双区升级策略、源码初始化流程以及蓝牙DFU服务的数据传输协议，并提供了从环境搭建、密钥生成到编译烧录、生成升级包的完整实战指南，帮助开发者构建安全可靠的无线固件更新系统。

weixin_29188043的博客 490

DeepSeek-R1论文阅读及本地调用

DeepSeek已经火了一段时间了，对于这项“国运级”的技术成果，即便研究的不是这个方向，也不免好奇前来看看。本文将先解析一下DeepSeek-R1这篇论文，再对DeepSeek的本地部署使用进行研究配置。

兴趣使然的创作者 4494

【CV论文精读】【协同感知综述】Collaborative Perception for Autonomous Driving ：Current Status and Future Trend

感知是自动驾驶系统的关键模块之一，近年来取得了很大进展。然而，单个车辆的有限能力导致感知性能提高的瓶颈。为了突破个体感知的局限，协作感知被提出，它使车辆能够共享信息来感知视线和视野之外的环境。本文综述了有前途的协作感知技术的相关工作，包括介绍了基本概念，概括了协作模式，总结了协作感知的关键要素和应用。最后，我们讨论了这一研究领域面临的挑战和问题，并给出了一些潜在的进一步方向。

weixin_44184852的博客 4690

树莓派4B+WebRTC实现远程监控：5步搞定公网视频流传输（含Node.js配置）

本文详细介绍了如何利用树莓派4B和WebRTC技术，通过5个关键步骤搭建低延迟、高隐私的远程监控系统。重点阐述了WebRTC点对点传输相较于传统方案的优势，并提供了包含Node.js信令服务器配置、树莓派视频流捕获与推送、以及移动端自适应观看页面的完整实现方案，帮助用户实现公网视频流传输。

websocket5live的博客 292

论文解读——DeepSeek-R1

生成反馈。

hang on it more longer 9441

【实战技巧】matplotlib中文标签显示问题的3种高效解决方案

本文详细介绍了解决matplotlib中文标签显示问题的3种高效方法，包括修改字体设置、临时指定字体和修改后端配置。针对不同操作系统和环境提供了实用技巧，帮助开发者快速解决中文显示为方框的常见问题，提升数据可视化效果。

weixin_30855099的博客 170

DeepSeek-R1论文详解

DeepSeek-R1论文详细解读

算法熔炉的博客 1703

SpringBoot一次请求中缓存数据，请求结束就清除的4种方法，你会几种？

通过以上四种方法，你可以在 SpringBoot 的一次请求中缓存数据，并在请求结束后自动清除这些缓存数据。使用 ThreadLocal：适用于需要跨多个方法调用的缓存数据，灵活性高，但需要注意内存泄漏问题。使用 AOP：适用于全局性的缓存管理，代码更加优雅，但需要对 AOP 有一定的了解。使用 ServletRequestListener：适用于简单的请求生命周期管理，配置简单，但功能相对有限。使用 HttpServletRequest 的 setAttribute 和 getAttribute。

java专栏 1295

使用Python与OpenCV实现基于霍夫变换的圆形缺陷检测与定位详细教程

本文详细探讨了如何使用Python和OpenCV库，通过图像边缘检测和霍夫变换实现圆形对象的检测与缺陷定位。我们不仅介绍了算法的基本原理，还通过具体的代码示例展示了如何在实际应用中实现这些技术。对于工业检测和医学影像分析，本文的方法提供了高效且易于实现的解决方案。随着图像处理技术的不断发展，未来我们可以期待更多新算法和新技术的应用，如深度学习与传统方法的结合，以及多传感器融合技术的引入，这将进一步提升缺陷检测与定位的效率和准确性。

qq_38334677的博客 1296

DeepSeek-R1 论文解读 —— 强化学习大语言模型新时代来临？

近年来，人工智能（AI）领域发展迅猛，大语言模型（LLMs）为通用人工智能（AGI）的发展开辟了道路。OpenAI 的 o1 模型表现非凡，它引入的创新性推理时缩放技术显著提升了推理能力，不过该模型是闭源的。今天，我们深入探讨由 DeepSeek 发布的突破性研究论文，该论文介绍了 DeepSeek-R1。这篇题为《DeepSeek-R1：通过强化学习激发大语言模型的推理能力》的论文，展示了一种前沿的开源推理模型，以及使用大规模强化学习技术训练此类模型的详细方法。

硅基创想家的博客 9094

快速入门必看！RT-DETR手把手训练自己的数据集去跑实验，基于 ultralytics 仓库源码改进，配置虚拟环境，准备数据集、训练、验证、推理测试，实现0到1的完整教学过程。

本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境，安装指定版本的PyTorch和相关依赖包。然后准备数据集，修改配置文件，并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置，设置训练参数；验证阶段评估模型性能；推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载，以及详细的参数配置说明，帮助用户快速搭建RT-DETR目标检测模型。

Ai缝合怪、助力小伙伴高效发论文 5563

DeepSeek-R1相关论文解读

SFT是给模型一些正确例子：情况1 + answer，情况2 + answer，在模型学会在什么情况下回答什么。没教的情况，模型就不一定知道该做什么，它会找到SFT数据类似的情况模仿，模型可对可错。即SFT提供的都是正反馈，无法提供负反馈。SFT之后的模型，本质提搞的是某些token在某些情况下的概率，那么存在提高Prob(E｜ABCD)的概率，也会顺带提高下 Prob(E｜ACD )的概率。也就是”我不喜欢->猫“的概率增加的同时， ” 我喜欢->猫“的概率也会增加，但是这两个句子明明是相反的句子。

weixin_74257347的博客 2315

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

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

LLMs之DeepSeek：《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》翻译与解读目录《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》翻译与解读 Abstract 1、Introduction

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀 1万+

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

DeepSeek-R1 蒸馏模型及如何用 Ollama 在本地运行DeepSeek-R1

在人工智能飞速发展的领域中，大型语言模型（LLMs）的出现可谓是一项重大变革。在这些模型里，DeepSeek - R1 及其蒸馏模型备受瞩目，它们融合了独特的能力与高可用性。今天我们一起聊一下 DeepSeek - R1 蒸馏模型究竟是什么，它们的工作原理、应用场景，并提供一份使用 Ollama 在本地运行 DeepSeek R1 的详细步骤指南。DeepSeek - R1 蒸馏模型（模型蒸馏（Model Distillation）：AI模型小型化与高效化之道）是强大的 DeepSeek - R1 人工智能

llm_way的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

大模型迎来2025开年大作：deepseek-R1与deepseek-R1-Zero

DeepSeek版o1，有消息了。还未正式发布，已在代码基准测试LiveCodeBench霸榜前三，表现与OpenAI o1的中档推理设置相当。注意了，这不是在DeepSeek官方App已经能试玩的DeepSeek-R1-Lite-Preview（轻量预览版）。

sexy19910923的博客 3万+

【DeepSeek论文解读】DeepSeek R1

此外，在 LLMs 的上下文中，值函数在训练过程中被用作优势计算中的Baseline，但通常只有最后一个 token 会被奖励模型赋予奖励分数，这可能使得值函数的训练变得复杂。：评估响应是否正确。例如，在具有确定性结果的数学问题中，模型需要以指定的格式（box）提供最终答案，对于 LeetCode 问题，可以使用编译器根据预定义的测试用例生成反馈。将更强大的模型蒸馏成较小的模型能产生出色的效果，而较小的模型依靠本文中提到的大规模强化学习，不仅需要巨大的计算能力，甚至可能无法达到蒸馏模型的性能。

lynne233 1197

Deepseek-R1 论文翻译

我们介绍了我们的第一代推理模型，DeepSeek-R1-Zero 和 DeepSeek-R1。DeepSeek-R1-Zero 是一个通过大规模强化学习（RL）训练的模型，未经过监督微调（SFT）作为初步步骤，展现出卓越的推理能力。通过 RL，DeepSeek-R1-Zero 自然展现出众多强大而有趣的推理行为。然而，它面临着可读性差和语言混合等挑战。为了解决这些问题并进一步提升推理性能，我们引入了 DeepSeek-R1，该模型在 RL 之前结合了多阶段训练和冷启动数据。

TFATS的博客 2400

AI算法之道 | DeepSeek-R1论文解读

近年来，人工智能（AI）领域发展迅速，大型语言模型（LLM）为通用人工智能（AGI）铺平了道路。OpenAI 的 o1 是一个杰出的模型，它引入了创新的推理扩展技术，大大增强了推理能力。然而，它仍然是闭源的。今天，我们将深入探讨 DeepSeek 推出 DeepSeek-R1 的开创性研究论文。这篇题为《DeepSeek-R1: Incentivizing Reasoning Capability in