DeepSeek-R1

Китайська лабораторія відкрила модель, що міркує на рівні o1, і показала, що така поведінка виникає з чистого підкріпленого навчання за правильну відповідь.

Чому це важливо

Міркування перестало бути закритою технологією однієї компанії: рецепт виявився коротким, а ваги — у відкритому доступі.

Ключовим був не результат, а спосіб. Базову модель навчали підкріпленням на задачах із перевірною відповіддю, без жодного людського прикладу міркування — і модель сама виробила довгі ланцюги з самоперевіркою і поверненнями. Звіт описував момент, коли модель під час навчання зупиняється й переписує підхід. На відміну від o1, ланцюг показували повністю. Ваги виклали під ліцензією MIT, і за тижні на них виросли десятки менших моделей.

Відомості про подію

Дата події

20 січня 2025 р.

Дата на часовій осі

Дата події

Перевірка

Джерела зібрано автоматично · 18 вересня 2026 р.

Лінії

ID

evt-0318

Ваги й технічний звіт оприлюднено 20 січня 2025 року.

Джерела

першоджерело DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
arXiv · Опубліковано січень 2025 р.
першоджерело DeepSeek-R1 Release
DeepSeek · Опубліковано січень 2025 р.
вторинне DeepSeek
Wikipedia

Пов’язані події

Раніше

Пов’язано Пошук усередині ланцюжка міркування 2025посилається на цей запис
Роботу побудовано навколо того, чого бракує моделям, які довго міркують: під час самого міркування вони впираються у прогалини у знаннях.
Розвиває DeepSeek-V3 2024
Модель міркування побудована на тій самій основі, випущеній за три тижні до того.
- DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning · arXiv
Пов’язано o1 і обчислення під час відповіді 2024
Той самий результат, але з відкритими вагами й видимим ланцюгом міркувань.
Уможливлює GRPO: навчання з підкріпленням без критика 2024посилається на цей запис
GRPO, описаний тут, — це алгоритм, яким через рік навчено DeepSeek-R1.
- DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning · arXiv

Пізніше

Пов’язано Довгий контекст усередині навчання з підкріпленням 2025посилається на цей запис
Два дні по тому, як вийшов DeepSeek-R1, інша лабораторія описала свій шлях до того самого — довгий контекст у самому навчанні з підкріпленням.
Пов’язано Мінус 17 відсотків за день 2025посилається на цей запис
Ринок відреагував на модель, випущену за тиждень до того.
Протиставляє Тисяча прикладів і примусовий бюджет 2025посилається на цей запис
Таблиця статті ставить s1-32B поруч із дистиляціями R1, навченими на 800 тисячах прикладів проти тисячі тут.
- s1: Simple test-time scaling (arXiv:2501.19393v1) · arXiv
Спирається на П'ять тисяч головоломок замість корпусу 2025посилається на цей запис
Перше речення резюме статті починається зі слів «натхнені успіхом DeepSeek-R1»; робота відтворює його рецепт на керованому корпусі.
- Logic-RL: Unleashing LLM Reasoning with Rule-Based Reinforcement Learning (arXiv:2502.14768v1) · arXiv
Пов’язано Qwen3 2025посилається на цей запис
Друга китайська лабораторія за квартал, що віддала передові ваги у відкритий доступ.
Пов’язано gpt-oss 2025посилається на цей запис
Відповідь на рік, у якому відкриті ваги стали сильним аргументом у чужих руках.
Пов’язано США відкривають продаж H200 до Китаю 2026посилається на цей запис
Обмеження вводили проти лабораторій, які однаково вийшли на передовий рубіж.
Розвиває DeepSeek-V4 2026посилається на цей запис
Четверте покоління тієї самої лінії, через п'ятнадцять місяців після моделі, що міркує.
- DeepSeek-V4 Preview Release · DeepSeek