一文解读DeepSeek-R1论文技术突破点：纯强化学习训练带给模型顿悟的推理思考能力

时隔不到一个月，DeepSeek又一次震动全球AI圈。去年 12 月，DeepSeek推出的DeepSeek-V3在全球AI领域掀起了巨大的波澜，它以极低的训练成本，实现了与GPT-4o和Claude Sonnet 3.5等顶尖模型相媲美的性能。和上次不同的是，这次推出的新模型DeepSeek-R1不仅成本低，更是在技术上有了大幅提升。而且，它还是一个开源模型。这款新模型延续了其高性价比的优势，仅用十分之一的成本就达到了GPT-o1级别的表现。所以，很多业内人士甚至喊出了“DeepSeek接班OpenAI”的口号。

本文关注DeepSeek-R1在技术上最重要的突破——用纯深度学习的方法让AI自发涌现出推理能力。这一研究可能会对模型推理训练后续的范式产生深刻影响。

DeepSeek-R1技术上的突破

直接强化学习训练

在o1推出之后，推理强化成了业界最关注的方法。一般来说，一个模型在训练过程中只会尝试一种固定训练方法来提升推理能力。而DeepSeek团队在R1的训练过程中，直接一次性实验了三种截然不同的技术路径，还都成功了：

• 直接强化学习训练（R1-Zero）
• 多阶段渐进训练（R1）
• 模型蒸馏。

多阶段渐进训练方法和模型蒸馏都包含着很多创新意义元素，对行业有着重要影响。其中最让人激动的，还是直接强化学习这个路径。因为DeepSeek-R1是首个证明这一方法有效的模型。

我们先来了解一下，训练AI的推理能力传统的方法通常是什么：一般是通过在SFT（监督微调）加入大量的思维链（COT）范例，用例证和复杂的如过程奖励模型（PRM）之类的复杂神经网络奖励模型，来让模型学会用思维链思考。

SFT(监督微调）指的是对已经预训练的模型进行特定任务的训练，以提高其在该任务上的表现。这个过程通常涉及利用特定任务的数据，对已经在大量通用数据上训练完成的预训练模型进行进一步调整，使其更适合该任务，也更好地适应最终任务和对齐用户偏好。
SFT高度依赖高质量的标注数据，数据的收集和标注工作往往需要耗费大量的人力、物力和时间

思维链（CoT）是指把逻辑较为复杂的问题进行拆解，通过一系列有逻辑关系的思考，形成完整的思考过程。它旨在通过向大语言模型展示少量的样例，并通过这些样例解释推理过程，让大语言模型学会在生成答案时展示推理过程，并引导其得到更准确的答案。

甚至会加入蒙特卡洛树搜索（MCTS），让模型在多种可能中搜索最好的可能。

但DeepSeek-R1-Zero选择了一条前所未有的路径“纯”强化学习路径，它完全抛开了预设的思维链模板（Chain of Thought）和监督式微调（SFT），仅依靠简单的奖惩信号来优化模型行为。

这就像让一个天才儿童在没有任何范例和指导的情况下，纯粹通过不断尝试和获得反馈来学习解题。

DeepSeek-R1-Z