摘要：DeepSeek-R1直接杀进《Nature》封面，29.4万美元的训练账单，把动辄千万美元的大厂模型按在地上摩擦。

刚刷到一条消息，DeepSeek-R1直接杀进《Nature》封面，29.4万美元的训练账单，把动辄千万美元的大厂模型按在地上摩擦。

数学竞赛题从15.6%飙到86.7%，这涨幅比A股涨停还刺激。

更离谱的是，它压根没学人类怎么推理，全靠“答对了就奖励”这招，自己琢磨出解题套路。

这事儿最扎心的点在哪？

以前总觉得AI得靠人类喂标准答案，现在人家直接开卷考，还考赢了。

就像你教小孩做题，不给他讲步骤，只告诉他“做对给糖”，结果他自创了三种解法，比你还会。

团队玩的是“零依赖”训练，DeepSeek-R1-Zero版本完全放飞。

模型答题时突然卡壳，然后像被老师盯上的学生，开始自言自语：“等等，这步是不是反了？

”接着倒回去重算。

这种“顿悟时刻”不是编的，是训练日志里实打实出现的。

它甚至会给自己出三种方案，最后挑个最顺眼的，像极了选择困难症发作的我们。

当然，裸奔的Zero版本说话有点生硬，像刚学中文的外国人。

于是团队搞了套“回炉重造”流程：先冷启动微调，再两轮强化学习，最后灌海量对话数据。

效果立竿见影，AlpacaEval测试直接涨17%，聊天时不再像个背词典的机器人。

技术细节也野得很。

传统PPO算法被嫌弃太慢，团队直接换成GRPO，让模型组内PK，赢的拿奖励，输的反思。

奖励机制更鸡贼：数学题按步骤给分，通用任务用AI评委打分，防止它耍小聪明。

训练文本长度翻倍到6.5万Token，相当于让它读完《三体》全集再写读后感。

不过别急着吹爆。

这货现在像个偏科天才，数学题秒解，但让它写个带表格的会议纪要就抓瞎。

对提示词敏感得像青春期小孩，换种问法就懵。

更尴尬的是，遇到复杂编程任务，强化学习容易陷入“奖励迷宫”，转半天找不到出口。

争议也有，比如有人怀疑它偷学了ChatGPT的作业。

团队甩出训练日志：基础模型确实扫过网络数据，但推理能力纯粹靠“答对给糖”练出来的。

Nature审稿人挺毒舌的，但这次罕见地用了“范式突破”这种词。

说到底，这事儿给行业打了个样：原来砸钱不是唯一解，换条思路也能跑通。

就像做饭，别人用松露鲍鱼，你拿剩菜炒出米其林味道，这才是真本事。

下次遇到“AI必须烧钱”的论调，直接把这篇论文甩过去。

来源：走进科技生活