天美乌鸦糖心mv

相当令人震撼的工作，特别是 Deepseek-r1-zero。

没有任何监督训练，纯强化学习首先，驳斥了“感谢OpenAI开源”、“蒸馏OpenAI-o1”的说法，Deepseek-r1-zero 模型在预训练之后，是 完全没有经过任何监督学习的，也就是说没有使用任何其他思维链模型（以及人类）的输出。

从 Deepseek-v3 基座，直接进行强化学习，即可解锁 o1 级别的思维链能力。

只看答案，不搞花里胡哨Deepseek-r1-zero 在强化学习中，只有两种奖励： 第一种：（…。