DeepSeek R1 是怎样炼成的？

推理模型的本质是让模型自己构建 CoT，并将前面推理的步骤展示出来。

现有的许多所谓的 agent，其本质上只是一个 workflow，而这些 agent 的 workflow 其实是高度结构化的，这就限制了模型的能力——这种基于 workflow 的 agent 只具有短期价值，而没有长期价值。 

他最后总结说——「All in All 我们就是要训练模型能够像我们人一样思考，自由的思考！」

要用真正的激励来进行强化学习，而不要被 reward model 本身所限制。

不要搞过程激励，真正重要的是最终答案是否正确，应该以此为核心来激励模型。

当时他们不知道，但后来他们发现，DeepSeek R1 的论文中也提到了类似的观点，即不要依赖过程奖励。

所以他们后来就定下来了——Practice Program，也就是「多练习」，给模型一个能不断做题的环境。只要反复训练，就能够取得提升。

菜就多练。文章中写道：「做题，做题，还是做题！做有标准答案的题，刷起来！」

DeepSeek R1技术报告详解

DeepSeek R1 论文的标题就是「Incen