[论文笔记] Deepseek技术报告

1. 总体概述

• 背景与目标

  • 报告聚焦于利用强化学习（RL）提升大型语言模型（LLMs）的推理能力，旨在探索在不依赖大规模监督微调（SFT）的情况下，模型如何自我进化并形成强大的推理能力。
  • 介绍了两代模型：DeepSeek-R1-Zero（纯 RL，无 SFT 冷启动数据）和 DeepSeek-R1（在 RL 前加入少量冷启动数据和多阶段训练流程，提升可读性及推理表现）。

• 核心思路

  • 直接在基础模型上应用大规模强化学习，利用规则设计的奖励机制（包括准确性奖励和格式奖励）激励生成长链思维（CoT）。
  • 通过拒绝采样和后续的监督微调，进一步改善模型输出的可读性和对齐人类偏好。
  • 利用蒸馏技术，将大模型中学到的推理模式迁移到较小的密集模型中，提升小模型在推理任务上的表现。

---

2. 主要贡献

• 纯 RL 训练推理能力

  • DeepSeek-R1-Zero证