DeepSeek-R1

DeepSeek-R1是DeepSeek团队推出的第一代推理模型，通过强化学习（RL）和蒸馏技术显著提升了语言模型的推理能力。DeepSeek-R1-Zero模型在没有监督微调（SFT）的情况下，通过大规模RL训练展现出强大的推理能力，但存在可读性和语言混合问题。为了解决这些问题，DeepSeek-R1引入了冷启动数据和多阶段训练，推理性能与OpenAI的GPT o1-1217相当。此外，团队还开源了六个基于Qwen和Llama的蒸馏模型，帮助小型模型提升推理能力。

背景

该模型的开发背景源于传统语言模型在复杂推理任务中的局限性，尤其是在需要多步逻辑推理的场景中。尽管现有的语言模型在生成文本和理解语言方面表现出色，但在数学推理、代码生成等需要精确逻辑推理的任务中，表现仍然有限。

为了解决这一问题，DeepSeek 团队提出了基于强化学习的训练方法，开发了DeepSeek-R1系列模型。该模型的核心目标是通过强化学习和大规模训练，提升模型在复杂推理任务中的表现。DeepSeek-R1-Zero是这一系列中的第一个模型，它通过纯强化学习训练，无需监督微调（SFT），展现出强大的推理能力。然而，DeepSeek-R1-Zero 在训练过程中也暴露出一些问题，如可读性差、语言混合等。

为了进一步优化模型，DeepSeek 团队引入了冷启动数据和多阶段训练方法，开发了DeepSeek-R1。冷启动数据的使用使得模型在训练初期能够更快地收敛，并且通过多阶段训练，模型的推理能力和可读性得到了显著提升。此外，团队还探索了蒸馏技术，将大型模型的推理能力传递到小型模型，使得小型模型在推理任务中也能表现出色。

总的来说，DeepSeek-R1 的开发背景是为了解决传统语言模型在复杂推理任务中的不足，通过强化学习和蒸馏技术，提升模型在数学推理、代码生成等任务中的表现，并为研究社区提供开源的推理模型资源。

技术特点

强化学习训练

  - DeepSeek-R1-Zero模型通过纯强化学习训练，无需监督微调（SFT），展现出强大的推理能力。
  - 模型在训练过程中表现出“顿悟时刻”，即自发地重新评估和优化推理步骤。

冷启动数据与多阶段训练

  - 为了解决可读性和语言混合问题，DeepSeek-R1引入了冷启动数据和多阶段训练方法。
  - 这些改进使得模型在推理任务中的表现与OpenAI的o1-1217模型相当。

蒸馏技术

  - DeepSeek团队开源了六个基于Qwen和Llama的蒸馏模型，帮助小型模型提升推理能力。
  - 蒸馏技术将大型模型的推理能力传递到小型模型，使得小型模型在推理任务中表现优异。

性能表现

下图显示了 DeepSeek 进行的测试结果，该测试针对 OpenAI 的 o1 模型在数学、编码和推理任务上测试了其大型语言模型的三个版本。DeepSeek-R1 在数学和编码基准测试中击败或与o1相媲美。

教育领域任务

在 MMLU、MMLU-Pro 和 GPQA Diamond 等知识基准测试表明，DeepSeek-R1 在 STEM（科学、技术、工程和数学）相关问题上相比 DeepSeek-V3 具有显著的改进。研究者将其归因于大规模强化学习（reinforcement learning, RL）的使用。

• MMLU (Massive Multitask Language Understanding) 是一项涵盖多学科、多领域的大规模基准测试，旨在评估语言模型在不同任务和学科中的表现。这些任务包括人文、科学、社会科学和数学等多个领域的高中至专业水平的问题。DeepSeek-R1 在 MMLU 基准测试中取得了 90.8% 的 Pass@1 准确率，显著优于 DeepSeek-V3，展示了其强大的知识处理和推理能力。

• MMLU-Pro 是一个更加复杂和鲁棒的多任务语言理解基准，设计用于挑战模型在更高难度任务中的表现。与 MMLU 相比，MMLU-Pro 更强调推理能力和跨领域的综合性。DeepSeek-R1 在这一基准中取得了 84.0% 的准确率，超越了 DeepSeek-V3，并在挑战性更高的任务中展现了卓越的推理能力。

• GPQA Diamond (Graduate-Level Google-Proof Q&A Benchmark) 是一个针对研究级问答任务设计的基准，问题往往需要复杂的推理和深度分析才能回答。DeepSeek-R1 在这一基准中的表现达到 71.5% 的 Pass@1 准确率，显著高于 DeepSeek-V3，进一步证明了其在处理复杂问题上的潜力。

长上下文任务

DeepSeek-R1 在 FRAMES（依赖长上下文的问答任务）基准测试中展现了强大的文档分析能力。

• FRAMES 是一项评估模型在长上下文环境中问答能力的基准测试，旨在检测其文档分析和信息提取能力。DeepSeek-R1 在该测试中取得了 82.5% 的准确率，远超 DeepSeek-V3，展现了其在复杂文档分析任务中的显著优势。

事实性问答

在 SimpleQA 基准测试中，DeepSeek-R1 超越了 DeepSeek-V3，证明了其处理基于事实查询的能力。但是在中文 SimpleQA 基准上，DeepSeek-R1 的表现不如 DeepSeek-V3，主要由于安全强化学习（safety RL）导致模型拒绝回答某些问题。

• FRAMES 是一项评估模型在长上下文环境中问答能力的基准测试，旨在检测其文档分析和信息提取能力。DeepSeek-R1 在该测试中取得了 82.5% 的准确率，远超 DeepSeek-V3，展现了其在复杂文档分析任务中的显著优势。

指令执行与规范化输出

DeepSeek-R1 在 IF-Eval 基准测试中表现优异。这个测试专注于评估模型遵循格式指令（format instructions）的能力。这些改进主要归因于监督微调（supervised fine-tuning, SFT）和强化学习（RL）后期阶段中指令遵循数据的引入

• IF-Eval (Instruction Following Evaluation) 旨在评估模型遵循格式化指令的能力，是衡量其在严格指令执行中的表现的重要基准。DeepSeek-R1 在 IF-Eval 中表现卓越，得益于训练过程中加入了指令遵循数据。这种改进显示出 DeepSeek-R1 在格式化和结构化任务中的显著优势。

写作和开放问答任务

在 AlpacaEval 2.0 和 ArenaHard 基准测试中，DeepSeek-R1 表现出色，进一步表明其在写作任务和开放问答（open-domain question answering）中的优势，强调了大规模强化学习的泛化优势，不仅增强了推理能力，还提升了跨领域的表现能力。此外，DeepSeek-R1 生成的摘要长度简洁，表明 DeepSeek-R1 在基于 GPT 的评估中避免了引入长度偏差（length bias），进一步巩固了其在多任务中的稳健性。

• AlpacaEval 2.0 是一个评估模型在开放式问答任务中能力的基准，测试模型在非考试导向任务（如写作和回答复杂问题）中的表现。DeepSeek-R1 在这一基准中实现了 87.6% 的胜率（win-rate），显著优于 DeepSeek-V3，证明了其强大的写作能力和开放域问答能力。

• ArenaHard 是一个以对话评估为主的高难度基准测试，使用 GPT-4 作为裁判来比较模型在复杂对话中的表现。DeepSeek-R1 在该基准中实现了 92.3% 的胜率，展现了其在复杂对话任务中的优越性能，同时避免了由于输出长度导致的偏差。

数学和编程任务

在数学（如 AIME 2024 和 MATH-500）和编程任务（如 LiveCodeBench 和 Codeforces）中，DeepSeek-R1 的表现显著优于其他模型，并与 OpenAI-o1-1217 相当。

• AIME，全称 American Invitational Mathematics Examination，是一项面向中学生的高水平数学竞赛，其难度介于 AMC（美国数学竞赛）和 IMO（国际数学奥林匹克竞赛）之间，享有极高的声誉与含金量。与 AMC 相比，AIME 的试题更具挑战性，需要参赛者具备更强的数学推理能力和问题解决技巧。同时，AIME 也是选拔美国数学奥林匹克竞赛（USAMO）和国际数学奥林匹克竞赛（IMO）国家队的重要环节之一。在这一测试中，DeepSeek-R1 达到了 79.8% 的 Pass@1 准确率，略高于 OpenAI o1-1217 模型的 79.2%。这一结果表明，DeepSeek-R1 具备以较高准确率解决高中生水平复杂数学问题的能力。

• MATH-500 数据集收录了 500 道难度极高的数学竞赛题，涵盖代数、几何、数论、组合数学等多个领域。这些题目要求深厚的数学知识储备以及复杂的推理步骤才能解答。在这一测试中，DeepSeek-R1 以 97.3% 的惊人成绩表现出色，与 OpenAI 的 o1-1217 模型持平，并显著超越了其他对比模型。这一表现表明，DeepSeek-R1 已经能够胜任大学水平的数学竞赛题解答，展现了其卓越的数学推理能力。

• Codeforces 是全球知名的编程竞赛平台，以高难度和强竞争性闻名，吸引了来自世界各地的顶尖程序员参赛。其竞赛题目通常需要选手具备扎实的算法和数据结构知识，以及优秀的编程能力。在 Codeforces 平台上，DeepSeek-R1 获得了 2029 的 Elo 评分，超过了 96.3% 的人类程序员。这一结果表明，DeepSeek-R1 的编程能力已经超越了绝大多数人类程序员，成为算法和编程领域的强大竞争者。

蒸馏模型的性能评价

蒸馏 DeepSeek-R1 的输出使小型模型（如 DeepSeek-R1-Distill-Qwen-7B 和 DeepSeek-R1-Distill-Qwen-32B）在多个基准上超越了 GPT-4o-0513 等非推理模型和其他对比模型。这表明蒸馏技术的有效性。

开源贡献

DeepSeek团队开源了以下模型，可以在 GitHub 主页下载：

• DeepSeek-R1-Zero
• DeepSeek-R1
• 六个基于Qwen和Llama的蒸馏模型

这些开源模型为研究社区提供了宝贵的资源，帮助进一步探索语言模型的推理能力。

应用场景

- **教育**：用于数学题解答、编程教学等场景。 - **软件开发**：辅助代码生成、调试和优化。 - **科研**：用于复杂问题的多步推理和解决方案生成。

未来展望

DeepSeek团队计划进一步优化强化学习在推理任务中的应用，并探索更多蒸馏技术的潜力，以提升小型模型的推理能力。