89. 逐句讲解DeepSeek-R1、Kimi K1.5、OpenAI o1技术报告——“最优美的算法最干净”

DeepSeek R1 通过强化学习（RL）路径改写了全球 AGI 的技术叙事，标志着大模型推理能力从预训练向后训练范式的重大转移。该技术证明了模型无需复杂的监督微调，仅通过大规模强化学习即可涌现出自我纠错、慢思考及长思维链等推理能力，且训练成本仅为预训练的极小部分。相比传统的过程奖励模型，DeepSeek 采用的 GRPO 算法通过舍弃不稳定的价值函数，实现了更简洁高效的推理优化。加州大学伯克利分校博士生潘家怡指出，这种范式不仅降低了推理模型的开发门槛，还通过数据蒸馏将推理能力有效迁移至小模型，为未来通用人工智能的低成本迭代提供了明确路径。