DeepSeek-R1论文《DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning》登上Nature封面，梁文锋为通讯作者。这是首个经过同行评议、具有全球影响力的大型语言模型（LLM），标志着中国AI研究的重要突破。
该论文于今年2月提交，今日正式发表。相较于今年1月发布的预印本，Nature刊发版本更新了技术细节，并首次披露R1的训练成本仅为29.4万美元，基于已耗资约600万美元的基础LLM进行优化，总成本远低于国际同类模型。训练主要采用英伟达H800芯片。
截至目前，R1已成为Hugging Face平台上下载量最高的同类模型，累计下载达1090万次。
严格的同行评审
R1是首个经历完整同行评审的重要大语言模型，这一过程显著提升了其科学可信度。《自然》审稿人之一、Hugging Face机器学习工程师Lewis Tunstall表示：“这是一个非常值得欢迎的先例。公开研究过程对评估系统潜在风险至关重要。”
为回应评审意见，DeepSeek团队调整了论文表述，减少拟人化描述，并补充了数据来源与安全机制等关键信息。俄亥俄州立大学AI研究员Huan Sun指出：“严格的评审有助于验证模型的有效性与实用性，其他企业也应跟进。”
核心技术：纯粹强化学习
DeepSeek的核心创新在于采用“纯粹强化学习”方法训练R1，通过奖励机制引导模型自主生成推理路径，而非依赖人类标注的推理样本。该方式使模型能自我验证计算过程，形成类推理能力。
为提升效率，R1引入“组相对策略优化”（Group Relative Policy Optimization），利用估算值对自身输出进行评分，避免使用独立评分算法，大幅降低计算开销。
业内普遍认为，2025年几乎所有在LLM中应用强化学习的研究，均受到R1的启发。
训练数据与技术澄清
此前有媒体报道称，DeepSeek可能利用OpenAI模型输出进行知识蒸馏以加速训练。对此，DeepSeek在回应审稿人时明确表示，R1并未复制任何第三方模型的推理示例，其基础模型训练数据来源于公开网络文本，训练方式与其他主流LLM一致。
Huan Sun评价称，该声明“具备充分说服力”。Tunstall也指出，尽管无法百分百排除外部影响，但多个独立实验室的复现结果表明，仅靠纯粹强化学习即可实现高性能，无需依赖他人模型输出。
性能与行业影响
在ScienceAgentBench科学任务挑战中，R1虽非准确率最高，但在综合性能与成本效益方面表现突出，展现出极强竞争力。
Tunstall表示，目前全球多个研究团队正尝试将R1的技术应用于增强现有LLM的推理能力，并拓展至数学、编程以外的领域。“从这个角度看，R1真正引发了一场技术革命。”
参考：
https://www.nature.com/articles/d41586-025-03015-6