刚刚，DeepSeek R1论文更新，增加了64页

DeepSeek R1 的论文有了大更新，足足增加了64页！ 我们用 Gemini 快速总结了一下，发现新增了许多细节内容： 1. 训练全路径首次大公开：四阶段管线 v2 版本详细披露了 R1 从零到 1 的 4 个关键阶段。 Stage 1：冷启动。利用数千条高质量长 CoT 数据进行 SFT，让模型先「学会思考」。 Stage 2：推理导向 RL。专注于数学、代码等硬核任务，引入「语言一致性奖励」解决 v1 中提到的语种混杂问题。 Stage 3：拒绝采样与再微调。收集约 60 万条推理数据和 20 万条通用数据（如写作、创意），让 R1 既会算题也会写诗。 Stage 4：全场景对齐 RL。最终提升模型的助人性与安全性。 2. 「Aha Moment」的数据化验证 v1 只是提到了模型会自发「反思」，而 v2 通过词频分析给出了科学证据。 关键发现：在训练到约 8000 步时，模型对「Wait」（等等）、「Retry」（重试）等词汇的调用频率暴增 5-7 倍。 结论：RL 确实让模型自发产生了检查、自我修正和重新验证的行为，这是推理能力进化的铁证。 3. 推理也有「缩放法则」：自适应算力分配 v2 新增了对 CoT 长度自适应的深入分析。 动态分配：模型学会了根据题目难度动态调整思考时间。简单的「1+1」只用不到 100 token，而超难数学题会调用超过 18,000 token。 性能提升：这种算力缩放（Scaling）让 R1 在 2024 年数学竞赛题上的 solve rate 达到了 61.8%，远超 GPT-4o。 4. 「诚实」的失败总结：PRM 和 MCTS 为什么不行？ DeepSeek 在 v2 中非常大方地分享了没跑通的路径，这对学术界极具参考价值： PRM（过程奖励模型）：难以定义细粒度的步骤，且容易遭受「奖励作弊（Reward Hacking）」。 MCTS（蒙特卡洛树搜索）：在棋类中很强，但在 Token 生成的无限搜索空间中容易陷入局部最优，且计算开销巨大。 5. 跨越时间的验证：AIME 2025 战绩 为了证明 R1 不是靠记忆刷题，v2 补充了在模型训练完成后才发布的 AIME 2025 结果。 战绩：R1 在 AIME 2025 上取得了 75% 的解决率，接近 OpenAI o1 的 80%。这有力回击了关于「数据污染」的质疑。 6. 关于模型规模的「毒药」警告 v2 明确指出：RL 推理能力对模型基础规模有门槛 。 策略建议：小模型提升推理能力的最佳路径是蒸馏大模型（如 R1）的推理逻辑，而不是强行在 base 上做 RL。 不过有网友指出，新增内容之前在 Nature 接收的 R1 论文中已经发布过。 不知道你们有没发现更多有价值的信息？