DeepSeek-R1解读：纯强化学习，模型推理能力提升的新范式？

文章预览

 Datawhale干货  作 者：Jimmy.DU，Dataw hale成员 1. Impressive Points LLM模型推理能力提升 在LLM模型post-training中，仅使用 强化学习（reinforcement learning，RL）  提升模型推理能力，不再依赖有监督微调训练（supervised fine-tuning，SFT）。 证明了LLM模型具有自行探索 长思维链（chain-of-thought，COT）  的能力。 端侧模型（小模型）推理能力提升 相对于使用RL进行训练， 基于大模型进行蒸馏（Distillation）的方式 ，是提升端侧模型推理能力更有效的途径。 2. 纯强化学习，LLM推理能力提升新范式？ 2.1 DeepSeek-R1-Zero 核心问题：  当前的post-training流程对于 大量监督数据 的依赖，监督数据的收集非常耗时： 当前模型推理性能的提升，需要大量监督数据进行SFT，以作为模型post-training的冷启动。 当前一些研究已经验证了 强化学习在模型推理性能上的有效性 ，但也依赖监督数 ………………………………