DeepSeek-R1 推理模型技术报告深度解读：强化学习如何涌现推理能力

DeepSeek-R1 证明了纯强化学习（RL）可以在不依赖监督微调的情况下涌现出强大的链式推理能力。本文拆解其 GRPO 算法、奖励设计与蒸馏策略，并分析 R1-Zero 的"顿悟时刻"对开源社区的意义。

核心要点

• 01R1-Zero 完全基于 RL 训练，无需 SFT 冷启动即涌现自我反思能力
• 02GRPO 算法省去 Critic 网络，显著降低训练成本
• 03蒸馏小模型（1.5B-70B）在多项基准上超越 GPT-4o
• 04全部权重 MIT 协议开源，可自由商用