新智元報(bào)道
編輯：定慧
【新智元導(dǎo)讀】DeepSeek-R1是近年來(lái)推理模型領(lǐng)域的一顆新星，它不僅突破了傳統(tǒng)LLM的局限，還開(kāi)啟了全新的研究方向「思維鏈學(xué)」（Thoughtology）。這份長(zhǎng)達(dá)142頁(yè)的報(bào)告深入剖析了DeepSeek-R1的推理過(guò)程，揭示了其推理鏈的獨(dú)特結(jié)構(gòu)與優(yōu)勢(shì)，為未來(lái)推理模型的優(yōu)化提供了重要啟示。
你是否曾想過(guò)DeepSeek-R1為什么能「思考」？
距離DeepSeek-R1這只「巨鯨」引發(fā)的全球AI海嘯似乎剛剛平靜下來(lái)，但推理模型已經(jīng)成為了AI寵兒。
不論是Gemini 2.5Pro，還是o3，o4-mini，以及所有人都在期待的DeepSeek-R2，都是推理模型。
R1的出現(xiàn)帶火了推理模型外，也催生了一個(gè)新的研究領(lǐng)域：思維鏈學(xué)（Thoughtology）。
魁北克人工智能研究所聯(lián)合麥吉爾大學(xué)和哥本哈根大學(xué)最近發(fā)布了這一研究領(lǐng)域的詳細(xì)研究，這份長(zhǎng)達(dá)142頁(yè)的報(bào)告深入探討了R1的思維鏈。
同時(shí)這份研究報(bào)告也登上了HuggingFace的Daily Papers。
論文地址：https://arxiv.org/pdf/2504.07128
研究團(tuán)隊(duì)從DeepSeek-R1推理的基本構(gòu)件出發(fā)，分析其推理鏈的長(zhǎng)度對(duì)性能的影響、對(duì)長(zhǎng)或混亂上下文的處理能力、安全性和文化問(wèn)題、以及它在人類(lèi)類(lèi)比語(yǔ)言處理和世界建模中的表現(xiàn)。
研究報(bào)告涵蓋了多個(gè)獨(dú)特的維度：安全性、世界建模、忠誠(chéng)度、長(zhǎng)情境等。
研究結(jié)果發(fā)現(xiàn)幾個(gè)關(guān)鍵亮點(diǎn)：
DeepSeek-R1 存在一個(gè)「推理甜點(diǎn)區(qū)」（sweet spot），即過(guò)多推理反而損害性能。
模型傾向于反復(fù)沉溺在已探索的方案中，阻礙進(jìn)一步探索。
相比不具備推理能力的版本，DeepSeek-R1展現(xiàn)出更高的安全風(fēng)險(xiǎn)，這可能對(duì)安全對(duì)齊的LLM構(gòu)成挑戰(zhàn)。
還有更豐富的研究細(xì)節(jié)，讓我們開(kāi)始吧。
DeepSeek-R1「思維鏈學(xué)」（Thoughtology）
一個(gè)人所取得的成就，或未能達(dá)成的目標(biāo)，都是其思想的直接結(jié)果。
——James Allen，《As a Man Thinketh》
模型的推理能力正在發(fā)生一種質(zhì)變——推理不再僅靠提示引導(dǎo)，而是內(nèi)嵌在模型本身中。
類(lèi)似DeepSeek-R1這樣的「大推理模型」（Large Reasoning Models, LRM）標(biāo)志著LLMs處理復(fù)雜問(wèn)題方式的根本轉(zhuǎn)變。
DeepSeek-R1首次公開(kāi)推理過(guò)程，但是最受傷的是OpenAI。
OpenAI的o1（2024）是首個(gè)展示LRM巨大潛力的模型，但OpenAI并未公開(kāi)其推理過(guò)程。
所以R1一亮相就驚艷了世人，把o1拍死在沙灘上，也讓AI的競(jìng)爭(zhēng)之路選擇了開(kāi)源。
另外一個(gè)讓R1備受尊崇的原因就是成本，R1模型不僅在性能上可以與o1媲美，而且計(jì)算效率更高，成本更低，相信你還記得550萬(wàn)美元，只有o1的3%等數(shù)據(jù)。
而DeepSeek-R1最讓人興奮的原因依然還是開(kāi)源：不僅訓(xùn)練過(guò)程、代碼和模型權(quán)重對(duì)外公開(kāi)；而且「思維過(guò)程」也面向所有人開(kāi)放。
研究團(tuán)隊(duì)稱(chēng)「DeepSeek-R1思維鏈的透明訪問(wèn)權(quán)」是一種獨(dú)特的研究機(jī)會(huì)！
研究人員借此可以系統(tǒng)性地分析其推理行為，最終形成「思維鏈學(xué)」（Thoughtology）。圖1.1展示了普通LLM和LRM輸出之間的對(duì)比。
雖然LLM的輸出中可能包含一些中間推理過(guò)程，但它們通常不會(huì)探索不同的思路。
而一旦模型出錯(cuò)，也無(wú)法回退并嘗試其它解法。
相比之下，LRM則通過(guò)探索與驗(yàn)證多個(gè)方案來(lái)進(jìn)行推理，最終總結(jié)出最佳解法。
DeepSeek-R1的訓(xùn)練細(xì)節(jié)
DeepSeek-R1的訓(xùn)練始于DeepSeek-V3。
DeepSeek-V3是一個(gè)專(zhuān)家混合模型（Mixture-of-Experts），其總參數(shù)規(guī)模為6710億，其中活躍參數(shù)為370億。
圖2.1展示了DeepSeek-R1的多階段訓(xùn)練過(guò)程。 從左到右依次為：
通過(guò)GRPO的強(qiáng)化學(xué)習(xí)訓(xùn)練DeepSeek-R1-Zero模型；
使用DeepSeek-R1-Zero生成的鏈?zhǔn)剿季S（CoT）數(shù)據(jù)以及其他來(lái)源數(shù)據(jù)進(jìn)行SFT（從冷啟動(dòng)開(kāi)始）；
在以推理為主的數(shù)據(jù)上再次使用GRPO的強(qiáng)化學(xué)習(xí)；
在約60萬(wàn)條推理類(lèi)樣本和20萬(wàn)條非推理樣本上進(jìn)行SFT。需要注意的是，此階段是從DeepSeek-V3-base模型重新開(kāi)始訓(xùn)練的；
在包含安全訓(xùn)練在內(nèi)的多樣化提示分布上，通過(guò)GRPO進(jìn)行強(qiáng)化學(xué)習(xí)微調(diào)。
整個(gè)訓(xùn)練過(guò)程覆蓋了約14.8萬(wàn)億個(gè)token。在發(fā)布之時(shí)（2024年12月），V3被認(rèn)為是表現(xiàn)最好的大語(yǔ)言模型之一。
DeepSeek-R1的推理能力為什么那么「像人」
DeepSeek-R1是在一個(gè)復(fù)雜的多階段訓(xùn)練流程中構(gòu)建出來(lái)的。
在這個(gè)流程中，多個(gè)階段都大量使用了由前一階段模型生成的合成訓(xùn)練數(shù)據(jù)。
盡管目前關(guān)于DeepSeek-R1的具體訓(xùn)練數(shù)據(jù)披露較少（訓(xùn)練數(shù)據(jù)目前沒(méi)有開(kāi)源）。
但可以合理推測(cè)，這些數(shù)據(jù)經(jīng)過(guò)了大量篩選，甚至部分樣本在生成后還經(jīng)過(guò)了人工修正，以體現(xiàn)特定的推理模式。
當(dāng)加入「人的」因素，推理過(guò)程像人就說(shuō)的過(guò)去了，畢竟只是純強(qiáng)化學(xué)習(xí)得到的R1-Zero也并沒(méi)有作為最終的產(chǎn)品發(fā)布。
在討論DeepSeek-R1所展現(xiàn)出的類(lèi)人推理能力時(shí)，有必要意識(shí)到：這些推理模式很可能是受到數(shù)據(jù)篩選與監(jiān)督微調(diào)的強(qiáng)烈影響，而不僅僅是模型「自發(fā)」學(xué)習(xí)到類(lèi)似人類(lèi)的推理思維。
研究人員通過(guò)Together API調(diào)用DeepSeek-R1（共 6710 億參數(shù)，所謂滿血版）進(jìn)行實(shí)驗(yàn)。
所有模型回復(fù)均采用溫度值0.6進(jìn)行采樣，且不設(shè)置生成token的最大數(shù)量限制。
DeepSeek-R1推理過(guò)程
在了解R1的推理過(guò)程時(shí)，先來(lái)看看人類(lèi)是如何推理的。
在多個(gè)推理研究范式中，人類(lèi)推理過(guò)程通常包含一些共通的術(shù)語(yǔ)和階段。大概包括：
問(wèn)題定義：首先，需要簡(jiǎn)化任務(wù)中的相關(guān)信息，識(shí)別出給定條件、已知信息以及需要被推斷的未知信息。
初步反應(yīng)：根據(jù)問(wèn)題的復(fù)雜程度，個(gè)體可能會(huì)借鑒類(lèi)似問(wèn)題的解決方法，或是運(yùn)用啟發(fā)式策略給出一個(gè)即時(shí)答案。
規(guī)劃：面對(duì)更難的問(wèn)題時(shí)，通常會(huì)采取更具策略性和分析性的思考方法。規(guī)劃的復(fù)雜程度取決于任務(wù)的復(fù)雜性。
執(zhí)行與監(jiān)控：在執(zhí)行過(guò)程中，人們會(huì)不斷監(jiān)控自己的進(jìn)展和信心水平，以決定是否需要調(diào)整原計(jì)劃。監(jiān)控能力越強(qiáng)，通常任務(wù)完成的質(zhì)量也越高。
重構(gòu)：在解題過(guò)程中，個(gè)體可能需要調(diào)整原有的思路或?qū)κ澜绲募僭O(shè)，以克服由于問(wèn)題理解錯(cuò)誤造成的卡頓。
解答驗(yàn)證：無(wú)論是使用啟發(fā)式還是策略性的方法，在得出答案之后，人類(lèi)通常會(huì)反思自己的思路和結(jié)果，確認(rèn)它是否符合題目的要求。
不知道是否你平時(shí)的思考過(guò)程，看完了人的，再來(lái)看看DeepSeek-R1的推理流程。
圖3.1是R1推理過(guò)程的可視化展示，并在圖3.2中提供了一個(gè)詳細(xì)的標(biāo)注示例。
問(wèn)題定義（Problem Definition）
模型會(huì)重新表述問(wèn)題，通常以一句明確表達(dá)目標(biāo)的信息作為結(jié)尾，比如“我需要找出……”之類(lèi)的句式，來(lái)界定需要解決的內(nèi)容。
綻放周期（Blooming Cycle）
這是模型進(jìn)入的第一個(gè)主要推理階段，會(huì)將問(wèn)題拆解為若干子問(wèn)題，并嘗試給出一個(gè)中間答案。
研究人員將其稱(chēng)為“綻放周期”，因?yàn)檫@一階段通常最長(zhǎng)，且集中在對(duì)問(wèn)題的結(jié)構(gòu)性分解上。
模型有時(shí)會(huì)表達(dá)對(duì)該答案的信心，常見(jiàn)句式如：“嗯，我來(lái)驗(yàn)證一下……”
重構(gòu)周期（Reconstruction Cycle）
這是后續(xù)的推理周期，模型會(huì)重新思考“綻放周期”中所做的處理，例如：“等等”、“換個(gè)角度來(lái)看”、“有沒(méi)有其他理解方式？”等。
之后模型可能會(huì)給出一個(gè)新的中間答案，且不一定每次都會(huì)明確表明信心程度。這個(gè)過(guò)程可能會(huì)重復(fù)多次。
最終決策（Final Decision）
模型最終得出結(jié)論，常見(jiàn)句式如“我現(xiàn)在比較有把握了……”，并直接給出最終答案。
下圖為推理鏈中的各個(gè)步驟進(jìn)行顏色分類(lèi)標(biāo)注。
重點(diǎn)標(biāo)出了模型在「綻放周期」中對(duì)問(wèn)題初步拆解內(nèi)容的反復(fù)回顧。
這種反復(fù)思考和重新評(píng)估的行為被稱(chēng)為「反芻式思考」（rumination）。
下圖則展示了模型在四類(lèi)任務(wù)中的不同推理階段所花的平均時(shí)間。
從圖中可以看出，「問(wèn)題定義」和「最終決策」階段的時(shí)間基本一致。
不同任務(wù)之間最大的差異體現(xiàn)在「重構(gòu)周期」的時(shí)長(zhǎng)上。
進(jìn)一步分析，從「綻放周期」開(kāi)始，每一個(gè)后續(xù)「重構(gòu)周期」的長(zhǎng)度。
圖3.4展示了關(guān)于數(shù)學(xué)推理任務(wù)的數(shù)據(jù)，這是所有任務(wù)中推理鏈最長(zhǎng)、周期最多的任務(wù)。
觀察到大約每經(jīng)歷5個(gè)重構(gòu)周期，就會(huì)出現(xiàn)一次更長(zhǎng)的重構(gòu)周期。
這些觀察說(shuō)明，DeepSeek-R1 在推理過(guò)程中不僅執(zhí)行問(wèn)題拆解，還在后續(xù)階段對(duì)已有結(jié)論進(jìn)行多輪審視，有時(shí)會(huì)進(jìn)行較深入的反思。
下圖展示了來(lái)自MATH-500的一個(gè)更加復(fù)雜的推理示例（為簡(jiǎn)化展示，用 […] 省略了部分內(nèi)容）。
可以看到一些「重新綻放」（re-bloom，黃色和橘色部分）——即模型對(duì)問(wèn)題進(jìn)行了新的拆解。
研究人員確定DeepSeek-R1 的推理過(guò)程具有高度結(jié)構(gòu)化的特征，在不同任務(wù)中展現(xiàn)出一致的行為模式。
多個(gè)維度深入DeepSeek-R1思維內(nèi)部
研究人員引入了一種新的分類(lèi)法來(lái)描述大規(guī)模語(yǔ)言模型（LRM）的推理鏈，并利用該分類(lèi)法識(shí)別DeepSeek-R1在各種任務(wù)中的關(guān)鍵優(yōu)勢(shì)和劣勢(shì)。
主要分為四個(gè)方面：
思維長(zhǎng)度的影響和可控性
模型在長(zhǎng)或混亂上下文中的行為
LRM的文化和安全問(wèn)題
LRM在認(rèn)知現(xiàn)象中的地位
下面分別展開(kāi)介紹。
思維長(zhǎng)度的影響和可控性
LLM推理能力的進(jìn)步帶來(lái)了范式上的重大轉(zhuǎn)變：推理時(shí)擴(kuò)展思維鏈的長(zhǎng)度，即在模型推理階段生成更長(zhǎng)的推理過(guò)程，從而提升性能。
DeepSeek-R1-Zero通過(guò)強(qiáng)化學(xué)習(xí)訓(xùn)練學(xué)會(huì)了逐步生成越來(lái)越長(zhǎng)的推理鏈。
盡管更長(zhǎng)的推理鏈可能意味著更復(fù)雜的思考能力，但DeepSeek-R1即便已經(jīng)得出正確答案，仍會(huì)反復(fù)進(jìn)行自我驗(yàn)證。
這引發(fā)了對(duì)模型推理效率的擔(dān)憂：更高的準(zhǔn)確率是否值得花費(fèi)更多的計(jì)算資源？
首先，分析推理鏈變長(zhǎng)是否能提升模型在數(shù)學(xué)推理任務(wù)中的表現(xiàn)。
實(shí)驗(yàn)對(duì)象為AIME-24，AIME-24是一個(gè)極具挑戰(zhàn)性的數(shù)學(xué)推理基準(zhǔn)，要求得到數(shù)值解。實(shí)驗(yàn)將temperature設(shè)為1.0，token上限設(shè)為32000。
DeepSeek-R1在多個(gè)題目中表現(xiàn)出如下趨勢(shì)：隨著思維鏈長(zhǎng)度的增加，模型性能先提升、達(dá)到一個(gè)峰值，然后隨著推理過(guò)程的進(jìn)一步拉長(zhǎng)，準(zhǔn)確率反而下降。
如圖4.5所示，在不受限制的情況下，DeepSeek-R1的推理鏈平均長(zhǎng)度高達(dá)1388 個(gè)token，顯得非常冗長(zhǎng)。
即便將輸出token數(shù)量減少近一半，模型性能也幾乎沒(méi)有下降。
因此，限制推理鏈長(zhǎng)度是一種兼顧高性能和高效率的有效方式。
對(duì)于推理模型，設(shè)置合理的 token 限額，可以顯著降低推理成本，而性能幾乎不受影響。
模型在長(zhǎng)或混亂上下文中的能力
檢測(cè)一個(gè)LLM的上下文窗口能力，有一個(gè)叫做「大海撈針」（Needle-In-a-Haystack）的辦法。
通俗的講，就是海量文本中，能否找到預(yù)設(shè)那根「針」。
研究人員使用GPT-4o生成了一組包含 100 條「?jìng)€(gè)性化」事實(shí)的信息，這些事實(shí)不是常識(shí)性知識(shí)。
每條事實(shí)都被隨機(jī)插入到一段由CHASE-QA 任務(wù)文檔采樣構(gòu)成的、總長(zhǎng)度為12萬(wàn)個(gè)token的上下文中。
這條事實(shí)（即「針」）被隨機(jī)安置在上下文前10%-50%的位置。
在100個(gè)測(cè)試樣本中，DeepSeek-R1在NIH任務(wù)上取得了 95% 的準(zhǔn)確率。
在查看模型具體輸出時(shí)，也發(fā)現(xiàn)了一個(gè)有趣的現(xiàn)象：面對(duì)如此大規(guī)模的上下文時(shí)，DeepSeek-R1 有時(shí)會(huì)「被淹沒(méi)」。
R1無(wú)法正確執(zhí)行指令，開(kāi)始生成不連貫的文本，甚至還會(huì)出現(xiàn)一些語(yǔ)境不符的中文內(nèi)容，如圖5.2所示。
除了「搜索能力」，在長(zhǎng)上下文中，DeepSeek-R1是否能「忠于用戶」也是一個(gè)考驗(yàn)。
為了評(píng)估DeepSeek-R1是否忠實(shí)于上下文，測(cè)試它在接收到錯(cuò)誤信息（與其內(nèi)在知識(shí)沖突）或干擾性信息（與問(wèn)題無(wú)關(guān)）時(shí)的反應(yīng)。
圖6.1展示了模型接受到錯(cuò)誤信息后，雖然最終采納了這個(gè)錯(cuò)誤信息，但在推理過(guò)程中它明確指出了知識(shí)之間的沖突，并且表示是根據(jù)用戶提供的信息進(jìn)行的判斷。
DeepSeek-R1的文化和安全問(wèn)題
像DeepSeek-R1這樣的推理模型在帶來(lái)新的能力的同時(shí)，也引發(fā)了新的安全風(fēng)險(xiǎn)。
LRM不斷增強(qiáng)的推理能力不僅可能在缺乏適當(dāng)安全機(jī)制的情況下被用于有害用途，還可能被進(jìn)行「越獄」攻擊。
使用HarmBench基準(zhǔn)評(píng)估 DeepSeek-R1在面對(duì)有害請(qǐng)求時(shí)的回應(yīng)及其推理過(guò)程。
評(píng)估內(nèi)容覆蓋HarmBench的六個(gè)類(lèi)別：化學(xué)與生物武器/毒品、網(wǎng)絡(luò)犯罪與非法入侵、騷擾、非法活動(dòng)、虛假信息和一般性危害。
DeepSeek-R1 在所有類(lèi)別中對(duì)虛假信息類(lèi)請(qǐng)求最為脆弱，其有害回應(yīng)比例高達(dá) 58.8%。
再來(lái)看下DeepSeek-R1的推理能力是否可以被「越獄」攻擊。
研究人員發(fā)現(xiàn)DeepSeek-R1能巧妙地將惡意請(qǐng)求「?jìng)窝b」成表面上看似無(wú)害的內(nèi)容。
下圖展示請(qǐng)求獲取蓖麻毒素的配方被改寫(xiě)為寫(xiě)作一部虛構(gòu)小說(shuō)中「研究過(guò)程」的一部分。
DeepSeek-R1在認(rèn)知中的表現(xiàn)
認(rèn)知是人類(lèi)特有的現(xiàn)象。
盡管像DeepSeek-R1這類(lèi)模型的推理鏈被譽(yù)為「思考」過(guò)程，這些推理鏈?zhǔn)欠裾娴呐c人類(lèi)認(rèn)知過(guò)程相同？
為了對(duì)比，研究人員設(shè)定了一個(gè)研究背景，即是否能夠正確解析和理解句子。
人類(lèi)是如何處理具有挑戰(zhàn)性的句子呢？——這些挑戰(zhàn)或源于詞序，或源于最終含義。
花園路徑句是人類(lèi)在初次解析時(shí)會(huì)感到困難的典型句子范例。
舉一個(gè)經(jīng)典例子，當(dāng)遇到句子「The horse raced past the barn fell」 （那匹跑過(guò)谷倉(cāng)的馬摔倒了）時(shí)，人類(lèi)通常會(huì)首先將子句 「The horse raced past the barn」解析為馬在奔跑，而「past the barn」是對(duì)這一行為的補(bǔ)充描述。
然而，讀完整句話后，會(huì)出現(xiàn)另一種解讀，其中動(dòng)詞 「raced」被用作及物動(dòng)詞：即那匹被驅(qū)趕跑過(guò)谷倉(cāng)的馬摔倒了。
DeepSeek-R1在回應(yīng)涉及花園路徑句和錯(cuò)覺(jué)句的提示時(shí)，其推理鏈更長(zhǎng)，而這些句子會(huì)在人類(lèi)中引起更大的處理成本。
如圖9.1所示，DeepSeek-R1分別在接收花園路徑句和非花園路徑句輸入時(shí)產(chǎn)生的推理鏈長(zhǎng)度分布。
平均而言，花園路徑句提示產(chǎn)生的推理鏈比其對(duì)應(yīng)的非花園路徑句提示產(chǎn)生的推理鏈更長(zhǎng)。
進(jìn)一步，推理能力能否擴(kuò)展到視覺(jué)或物理推理，或者統(tǒng)稱(chēng)為「世界建模」？
由于DeepSeek-R1沒(méi)有經(jīng)過(guò)圖像能力方面的訓(xùn)練，研究人員另辟蹊徑的使用了ASCII字符作為「視覺(jué)輸出」。
研究人員分析了DeepSeek-R1在4個(gè)ASCII藝術(shù)對(duì)象上的推理：狗和房子，這些在訓(xùn)練期間可能遇到過(guò)；以及長(zhǎng)曲棍球棒和飛盤(pán)高爾夫籃，這些在互聯(lián)網(wǎng)上很少作為ASCII藝術(shù)出現(xiàn)。
下圖是DeepSeek-R1用ASCII碼畫(huà)出來(lái)的狗，你覺(jué)得像不像？
最終研究人員認(rèn)為DeepSeek-R1在生成簡(jiǎn)單的ASCII物理模擬方面表現(xiàn)不佳。
從DeepSeek-R1看推理模型的未來(lái)
It is better to debate a question without settling it than to settle a question without debating it.
允許問(wèn)題在辯論中懸而未決，勝于不經(jīng)辯論就強(qiáng)行定論。
——法國(guó)道德家、散文家約瑟夫·儒貝爾（Joseph Joubert）
研究人員總結(jié)了DeepSeek-R1的推理過(guò)程為為定義、拆分、綻放、重構(gòu)，并從中分析了目前LRM的一些特點(diǎn)。
DeepSeek-R1的思維長(zhǎng)度往往過(guò)長(zhǎng)，即使在看似簡(jiǎn)單的任務(wù)中也是如此。
「思考過(guò)度」使得DeepSeek-R1在部署時(shí)計(jì)算成本高昂，而且影響性能。而過(guò)度推理也會(huì)損害性能，或?qū)е峦评礞溸^(guò)長(zhǎng)以至于影響回憶。
由此可以提供一些未來(lái)LRM的發(fā)展方向建議，比如進(jìn)行「顯示過(guò)程監(jiān)控」，減少無(wú)效思考、識(shí)別錯(cuò)誤路徑等。
未來(lái)的研究應(yīng)注重提升模型的過(guò)程監(jiān)控能力、策略多樣性、推理忠實(shí)度以及安全性。
當(dāng)然這篇文章的研究也存在一定的局限性，比如部分分析是定性的，定量分析的數(shù)據(jù)規(guī)模因成本等因素受限，可能影響統(tǒng)計(jì)顯著性。
從產(chǎn)品的角度，缺乏與其他關(guān)鍵模型（如OpenAI o1）推理過(guò)程的直接比較。
同時(shí)由于DeepSeek-R1 的訓(xùn)練數(shù)據(jù)不透明，限制了對(duì)其行為根源的理解。
DeepSeek-R1的出現(xiàn)標(biāo)志著推理模型領(lǐng)域的一次重要突破，代表了AI推理能力的質(zhì)變。
與傳統(tǒng)的大型語(yǔ)言模型（LLM）相比，DeepSeek-R1將推理過(guò)程內(nèi)嵌在模型本身，推動(dòng)了從「 提示驅(qū)動(dòng)」到「 內(nèi)生推理」模式的轉(zhuǎn)變。
其推理鏈的設(shè)計(jì)使得模型能像人類(lèi)一樣，通過(guò)分階段、反復(fù)檢視的方式進(jìn)行問(wèn)題解決，從而展現(xiàn)出更高的推理深度和靈活性。
此外，DeepSeek-R1的開(kāi)源特性也為AI領(lǐng)域帶來(lái)了新的機(jī)遇。
與OpenAI的封閉系統(tǒng)不同，DeepSeek-R1的透明性讓研究者能夠深入分析其推理行為，并在此基礎(chǔ)上推進(jìn)思維鏈學(xué)（Thoughtology）的研究。
這不僅拓展了AI推理模型的應(yīng)用場(chǎng)景，也為模型優(yōu)化、推理效率提升及安全性增強(qiáng)提供了寶貴的研究基礎(chǔ)。
DeepSeek-R1不僅代表了推理模型技術(shù)的前沿，也為開(kāi)源創(chuàng)新、AI思維機(jī)制的深入理解提供了新方向。
作者介紹
Xing Han Lu
麥吉爾大學(xué)的博士生，同時(shí)在Mila機(jī)構(gòu)工作，研究方向是對(duì)話式網(wǎng)頁(yè)導(dǎo)航 ，在西瓦·雷迪博士的指導(dǎo)下。
學(xué)習(xí)期間，訪問(wèn)了ServiceNow Research，與Harm de Vries博士合作從事對(duì)話式表格檢索。
在此之前，在Plotly領(lǐng)導(dǎo)了各種機(jī)器學(xué)習(xí)（ML）舉措，并開(kāi)發(fā)了開(kāi)源庫(kù)；在Deloitte從事摘要引擎工作；以及在麥吉爾臨床和健康信息學(xué)實(shí)驗(yàn)室研究用于稅收政策的機(jī)器學(xué)習(xí)。
參考資料：
https://x.com/xhluca/status/1911092393824100525
熱門(mén)跟貼