Nature 封面認證！DeepSeek R1 成果，又拿下了最新殊榮。

就在最新的 Nature 新刊中，DeepSeek 一舉成為首家登上《Nature》封面的中國大模型公司，創(chuàng)始人梁文鋒擔(dān)任通訊作者。

縱觀全球，之前也只有極少數(shù)如 DeepMind 者，憑借 AlphaGo、AlphaFold 有過類似榮譽。

Nature 版本的 R1 論文不僅首次披露了 R1 的訓(xùn)練成本——僅約29.4萬美元（折合人民幣約 208 萬），還進一步補充了包括模型訓(xùn)練所使用的數(shù)據(jù)類型及安全性的技術(shù)細節(jié)。

評審該論文的 Hugging Face 機器學(xué)習(xí)工程師 Lewis Tunstall 表示，R1 是首個經(jīng)歷同行評審的大型語言模型，這是一個非常值得歡迎的先例。

而俄亥俄州立大學(xué)人工智能研究員 Huan Sun 更是盛贊 R1 ，稱其自發(fā)布以來，幾乎影響了所有在大語言模型中使用強化學(xué)習(xí)的研究。

截至發(fā)文前，其數(shù)據(jù)如下：

谷歌學(xué)術(shù)引用：3596 次

Hugging Face 下載量：1090 萬次（開源模型下載量第一）

GitHub Star：91.1K

不過也是因為 DeepSeek，中國 AI 公司的下一篇工作，恐怕已經(jīng)不再滿足于 CVPR、ICLR、ICML 這些 AI 頂會了，

是不是得對齊 Nature、Science 的封面了？

澄清訓(xùn)練細節(jié)

在這次的 Nature 版本中，DeepSeek 在其最新的補充材料中對訓(xùn)練成本、數(shù)據(jù)及安全性進行了進一步的澄清。

在訓(xùn)練花費方面， R1-Zero 和 R1 都使用了 512 張 H800GPU，分別訓(xùn)練了198個小時和80個小時，以 H800 每 GPU 小時 2 美元的租賃價格換算的話，R1 的總訓(xùn)練成本為29.4萬美元。

要知道，R1 可是實打?qū)嵉?strong>660B參數(shù)的大模型。

相比之下，它不到 30 萬美元的訓(xùn)練成本，直接讓那些動輒燒掉上千萬美元的同行們 " 抬不起頭 "。

也難怪它在年初發(fā)布時，會在美股掀起一場海嘯，讓那些關(guān)于 " 巨額投入才能打造頂級 AI 模型 " 的傳言不再那么漂亮。

（奧特曼：干脆報我身份證號得了）

此外，在數(shù)據(jù)來源方面，DeepSeek 也是一舉打破了拿彼模型之輸出當(dāng) R1 之輸入的傳聞。

根據(jù)補充材料，DeepSeek-R1 的數(shù)據(jù)集包含數(shù)學(xué)、編程、stem、邏輯、通用等 5 個類型的數(shù)據(jù)。

具體來說，數(shù)學(xué)數(shù)據(jù)集包含 2.6 萬道定量推理題，包括數(shù)學(xué)考試題和競賽題；

代碼數(shù)據(jù)集包含 1.7 萬道算法競賽題和 8 千道代碼修復(fù)問題；

STEM 數(shù)據(jù)集包含 2.2 萬道選擇題，涵蓋物理、化學(xué)和生物等學(xué)科；

邏輯數(shù)據(jù)集包含真實問題和合成問題等共 1.5 萬道題；

通用數(shù)據(jù)集包含 6.6 萬道題，用于評估模型的有用性，涵蓋創(chuàng)意寫作、文本編輯、事實問答、角色扮演以及評估無害性等多種類別。

在安全性方面，雖然開源共享有助于技術(shù)在社區(qū)中的傳播，但同時也可能帶來被濫用的潛在風(fēng)險。因此 DeepSeek 又一進步發(fā)布了詳細的安全評估，涵蓋以下幾個方面；

DeepSeek-R 官方服務(wù)的風(fēng)險控制系統(tǒng)

在六個公開安全基準上與其他最先進模型的對比評估

基于內(nèi)部安全測試集的分類學(xué)研究

R1 模型的多語言安全性評估

模型對越獄攻擊的魯棒性評估。

評估表明，DeepSeek-R1 模型的固有安全水平總體處于中等水平，與 GPT-4o 相當(dāng)，通過結(jié)合風(fēng)險控制系統(tǒng)可進一步提高模型的安全水平。

接下來，我們來一起回顧一下這篇經(jīng)典論文

將強化學(xué)習(xí)應(yīng)用于大語言模型的里程碑

總的來說，DeepSeek-R1（zero）旨在解決大型語言模型在處理復(fù)雜問題和對人工數(shù)據(jù)的依賴，提出了一種純強化學(xué)習(xí)（RL）框架來提升大語言模型的推理能力。

這一方法不依賴人工標注的推理軌跡，而是通過自我演化發(fā)展推理能力，核心在于獎勵信號僅基于最終答案的正確性，而不對推理過程本身施加限制。

具體來說，他們使用 DeepSeek-V3-Base 作為基礎(chǔ)模型，并采用 GRPO（Group Relative Policy Optimization）作為強化學(xué)習(xí)框架來提高模型在推理任務(wù)上的表現(xiàn)。

經(jīng)過數(shù)千步強化學(xué)習(xí)訓(xùn)練后，DeepSeek-R1-Zero 在推理基準測試上表現(xiàn)出卓越性能。

例如，在 AIME 2024 上，pass@1 分數(shù)從 15.6% 提升至 71.0%，通過多數(shù)表決進一步提高至 86.7%，與 o1 的表現(xiàn)相當(dāng)。

更進一步，為了解決 DeepSeek-R1-Zero 在可讀性和語言混合上的問題，研究又引入 DeepSeek-R1，采用少量冷啟動數(shù)據(jù)和拒絕采樣、強化學(xué)習(xí)和監(jiān)督微調(diào)相結(jié)合的多階段訓(xùn)練框架。

具體而言，團隊首先收集數(shù)千條冷啟動數(shù)據(jù)，對 DeepSeek-V3-Base 模型進行微調(diào)。隨后，模型進行了類似 DeepSeek-R1-Zero 的面向推理的強化學(xué)習(xí)訓(xùn)練。

在強化學(xué)習(xí)接近收斂時，團隊通過在強化學(xué)習(xí)檢查點上進行拒絕采樣，結(jié)合來自 DeepSeek-V3 在寫作、事實問答、自我認知等領(lǐng)域的監(jiān)督數(shù)據(jù)，生成新的 SFT 數(shù)據(jù)，并重新訓(xùn)練 DeepSeek-V3-Base 模型。

經(jīng)過新數(shù)據(jù)微調(diào)后，模型還經(jīng)歷了覆蓋各種提示場景的額外的強化學(xué)習(xí)過程，DeepSeek-R1 就由此而來。

實驗表明，DeepSeek-R1 與當(dāng)時的頂尖模型 OpenAI-o1-1217 不相上下。

此外，將大模型涌現(xiàn)出的推理模式用于指導(dǎo)并提升小模型的推理能力也成為了一種經(jīng)典方法。

論文中使用 Qwen2.5-32B 作為基礎(chǔ)模型，結(jié)果顯示，從 DeepSeek-R1 蒸餾出的性能，優(yōu)于直接在該基礎(chǔ)模型上應(yīng)用強化學(xué)習(xí)。

當(dāng)然，在開拓性論文的基礎(chǔ)上，更讓人津津樂道、也贏得 Nature 盛贊的，是 DeepSeek 的透明性與開源精神：

DeepSeek 已在 HuggingFace 上公開了 DeepSeek-R1 和 DeepSeek-R1-Zero 的模型權(quán)重，同時將基于 Qwen2.5 和 Llama3 系列的蒸餾模型一并開源，供社區(qū)自由使用。

回想年初 DeepSeek 在海外爆火時，梁文鋒一句 " 中國 AI 不可能永遠跟隨 " 的豪言壯志令人振奮。

如今，DeepSeek 影響力獲得 Nature 封面認可，如果 AI 研究機構(gòu)有 S 級認可，那 DeepSeek 毫無疑問已經(jīng)拿到了 S 級認證。

下一個，阿里通義、字節(jié) Seed、騰訊混元、百度文心、華為、智譜、Kimi、階躍……

Who？

參考鏈接

[ 1 ] https://www.nature.com/articles/d41586-025-03015-6

[ 2 ] https://www.nature.com/articles/s41586-025-09422-z

一鍵三連「點贊」「轉(zhuǎn)發(fā)」「小心心」

歡迎在評論區(qū)留下你的想法！

— 完 —

年度科技風(fēng)向標「2025 人工智能年度榜單」評選報名開啟啦！我們正在尋找 AI+ 時代領(lǐng)航者 點擊了解詳情

企業(yè)、產(chǎn)品、人物 3 大維度，共設(shè)立了 5 類獎項，歡迎企業(yè)報名參與

一鍵關(guān)注 點亮星標

科技前沿進展每日見