DeepSeek-R1 模型发布,性能对标 OpenAI
哎，说到昨晚，我熬到凌晨三点。你猜干吗？
不是加班追剧，不是在打游戏。我在“玩”一个模型——DeepSeek R1。
说真的，很久没被一个AI震成这样了。上一次这么激动，还是GPT-4刚出来那会儿。但这次不一样——这玩意儿不光强，它让我有种“在看一个东西觉醒”的错觉。
这玩意儿到底从哪儿蹦出来的
先说说背景。
去年12月，DeepSeek-V3开源的时候，我就觉得不对劲。一个660B的模型，训练成本才557万美元，性能直接跟GPT-4叫板。我当时写了篇文章，说这是中国AI的“奇袭珍珠港”，评论区直接吵翻。
现在回头看？V3就是个前菜。
真正炸裂的，是1月20号晚上发布的R1。当时我正吃饭，手机推送弹出来。打开一看，筷子差点掉了——AIME 2024数学测试，79.8%，跟OpenAI o1-1217打平；MATH-500，97.3%；Codeforces Elo评级2029，超过96.3%的人类参赛者。
这不是牛逼，是离谱。
更离谱的是——开源了。两个660B大模型，加六个蒸馏版，从1.5B到70B，代码、权重全扔GitHub。
你想想，一个顶级推理模型，就这么公开了。放在两年前，谁敢信？
R1-Zero：那个让人起鸡皮疙瘩的东西
我要重点说一下R1-Zero。
很多人忽略了这个东西有多可怕。它是在完全没有人类示范的情况下，直接在基座模型上拿强化学习（RL）训练出来的。就是说，模型从没见过人怎么解题，全靠自己东摸西撞，瞎摸索。
结果呢？AIME 2024测试，pass@1从最初的15.6%一路飙到71.0%。换成多数投票，直接86.7%，超过o1。
技术报告里有一段话，我读到的时候真的鸡皮疙瘩全起来了——原话是：“连研究人员都没有预料到——R1出现了‘啊哈’时刻。”
你听清楚了吗？模型开始学会反思了。它会检查自己的答案对不对，会花更长时间想复杂问题。没人教它反思，它自己学的。
就像Alpha Zero自己学会下围棋一样，只是这次换成了语言模型。
有网友说：“2025年可能就是RL之年。”我现在觉得，这话可能要成真。
GRPO到底是什么？我给你打个比方
网上讲GRPO（Group Relative Policy Optimization）的文章，动不动就是policy、reward、advantage、actor、critic……一堆术语直接把人搞晕。
我换个说法。
传统PPO，相当于请了个专业教练+裁判来训练运动员。教练（Critic模型）要实时看运动员每个动作好不好，裁判（Reward Model）打分。这两个角色都是庞大的神经网络，跟着运动员一起长大，显存算力耗得飞起。
GRPO干了什么？直接炒了教练。
让运动员自己组小组比赛，谁做得好谁得分高，对比一下就完了。就像班级里的小组竞赛——你生成8个答案，对的加分，错的扣分，简单粗暴。只有在主观题没有标准答案的时候，才喊裁判来打分。
好处很明显：省显存，省算力，工程复杂度降了一大截。
但代价也很大：训练初期不稳定，容易崩。就像一堆学生没人带路，自己瞎琢磨，走着走着就撞墙了。DeepSeek团队花了大把精力才把这个过程稳住。
我之前写过一篇文章叫《概率的囚徒与突围者》，讲的就是这个逻辑。大模型本质上是在概率空间里按训练信号找最优解。GRPO这个思路，是在找一种更高效的“找路”方式——而且，找到了。
我自己亲测了一把
我挑了一道o1同款的解密题，扔给R1。
它想了74秒，给了正确答案。
过程中，它的思考过程是放在
用R1的时候，我更像在跟一个同事聊天。
它也会犯错，但经常作对。最神奇的是：当它发现自己错了，它会换思路重新来。这个能力不是写死在代码里的，而是RL训练中自己“涌现”出来的。
有网友说得特别准：“它就像推开了一扇门。”我甚至觉得这比喻还不够——它推开的是通往AGI的一扇小门。
行业炸了：Meta慌了，英伟达在暗讽
学术界反应比我想象的激烈多了。
UC Berkeley的Alex Dimakis直接说：“DeepSeek已经领先了，美国公司得赶紧追。”这话从伯克利教授嘴里说出来，分量不一样。
AutoAWQ的作者Casper Hansen分析说，R1用了多阶段循环训练：基础→RL→微调→RL→微调→RL。我理解下来，核心就是先让模型在RL中长出推理能力，再用SFT做质量控制，反复迭代。
机器之心爆了个料，说Meta内部已经“陷入恐慌”，在疯狂分析DeepSeek，搞不懂他们怎么做到这么低的训练成本。
更耐人寻味的是英伟达高级科学家Jim Fan的发言。他在X上发了一段话：“影响可以通过‘内部实现的ASI’或像‘草莓计划’这样神乎其神的名称来完成。影响也可以通过简单展示原始算法和matplotlib学习曲线来实现。”
你品，你细品。
OpenAI搞个AGI，包装得像宗教仪式，又是神秘代号又是内测邀请。DeepSeek倒好，直接把代码扔GitHub，把学习曲线挂出来，告诉你：“看，就是这样训练的，你也能搞。”
这对比，太鲜明。
钱的事情，我算了笔账
R1的API价格：每百万输入tokens，命中缓存1块钱，没命中4块。输出tokens每百万16块。
o1什么价？输入15美元，输出60美元。
换算一下，R1大概是o1价格的3%到5%。
我已经在切换了。
对做AI应用的朋友来说，这是重大利好。顶级的推理模型，成本降到这个程度，意味着很多以前因为成本不敢落地的产品，现在可以重新拿出来了。
别高兴太早，有几个坑我得说清楚
第一，R1-Zero虽然牛逼，但存在阅读体验差的问题。它会混入多种语言，表述不够自然。后来的DeepSeek-R1加了多阶段SFT才解决这个问题。
第二，660B的模型，绝大多数人自己是跑不动的。我试了试在单卡A100 80G上推理，直接就OOM了。官方提供的API体验还行，但如果你做本地部署，得准备相当规模的硬件。
第三，RL训练的不稳定性是个大问题。GRPO省了Critic模型带来的成本，但也失去了精细指导。这个trade-off不是所有人都能接受的。如果你的业务对输出质量要求极高，场景复杂多变，传统的PPO可能还是更稳妥的选择。
更大的图景：Scaling Law在转移方向
我一直盯的一个趋势，在这篇文章里被明确提了出来。
“直到不久前，训练LLM所消耗的大部分算力都投入到预训练阶段。过去，我们主要关注扩大预训练规模，而后训练则是一个开销较小的环节。”
但现在变了。
DeepSeek-R1-Zero用了10万H800 GPU小时做RL训练，占它预训练算力的3.75%。这个比例在前沿模型迭代中被进一步放大——从o1到o3增加了超过10倍，Grok-3到Grok-4也有类似飞跃。
这意味着什么？预训练的Scaling Law正在减速，RL的Scaling Law成为新主战场。互联网上的高质量数据基本被训练完了，下一步比拼的不是谁有更多数据，而是谁能在RL阶段找到更高效的策略。
OpenAI已经用o1到o3证明了这条道路走得通。DeepSeek用R1证明了开源模型也能走到这一步。
我的一些真心疑问（说得不对你打我）
我必须老实说几个疑惑。
第一，R1-Zero的性能提升曲线虽然惊艳，但AIME这类数学benchmark的难度正在被逐步攻克。我不确定是不是存在benchmark过拟合的风险。如果模型在训练过程中已经隐式接触了大量同类题目，这个分数就有水分。
第二，自然语言推理任务上的表现，我没看到特别详细的数据。R1在数学和代码上强，但在更广泛的语言理解任务上，能不能同样表现出色？我还没测够。
第三，那种类似人类反思的能力，到底是真正的推理涌现，还是RL训练中“多轮生成-择优”模式的副产品？这个问题很关键——如果只是算法驱动下的模式匹配，那“啊哈”时刻的意义就要打折扣。
打个不恰当的比方：一个学生背熟了所有例题，考试确实能考高分。但遇到从没见过的新题型，能不能灵活应对？目前我还没看到足够有力的证据。
连着o1一起说
还有一个很有意思的视角。
o1和R1的出现，其实揭示了一个更大的趋势——模型层正在“塌陷”。当推理能力可以通过RL训练在后训练阶段大规模提升时，预训练阶段模型架构的优势在缩小。你会看到越来越多的模型通过强化学习逼近o1/R1的水平，而它们的基础架构可能完全不同。
这有点像智能手机早期竞争——硬件差异化越来越难，软件优化成为决胜关键。R1就是这个思路的极致体现：它不是在架构上做了多大的创新，而是在训练策略上找到了突破口。
但这也带来了新的隐患。如果所有模型都靠RL冲推理能力，那上层场景到底长什么样？是越来越多的中间应用会被模型替代，还是模型能力会催生全新的需求？我现在还没想清楚，但这个问题值得所有人思考。
给你五条实在的建议（拿笔记一下也行）
作为同样在折腾的开发者，我给你的建议很实在：
1. 能接入API就接入API。别折腾本地部署660B的事情，除非你预算充足且有大规模分发需求。DeepSeek的API价格和延迟都还行，先用着。
2. 把R1用在推理密集型任务上。编程debug、数学计算、逻辑分析、知识图谱推理，这些是它的强项。当成日常对话助手用？太大材小用了。
3. 注意token消耗。R1的推理链很长，一个简单问题可能产出几百甚至上千token的思考过程。如果API按token计费，这部分成本要留心。实际使用成本可能是直接回复的2-3倍。
4. 关注蒸馏版本。R1蒸馏出来的1.5B和7B版本，在一部分任务上已经超过了GPT-4o和Claude Sonnet。如果你想在边缘设备上跑推理，这些蒸馏版可能是最佳选择。
5. 别盲目跟风换技术栈。如果你是做对话机器人，用PPO和Critic模型的传统方案不一定需要替换。GRPO的优势在于推理场景，如果你的场景不是那么“硬”，维持现状可能更稳妥。
未来怎么走？我觉得2025年会是一个分水岭
DeepSeek用非常有限的预算，证明了开源路线在推理能力上的可行性。这不仅是对OpenAI的商业冲击，更是对整个行业技术路线的深刻反思——究竟是堆算力更重要，还是找对方法更重要？
R1的成功不是偶然。它建立在大量基层研究和工程实践的基础上，每一步推进都有迹可循。DeepSeek团队在技术报告里写得很坦诚，RL训练的细节、遇到的问题、解决思路，全部公开。这种开放的态度，在当下的AI圈子里越来越稀缺。
我见过太多团队在拿到类似成果后，第一反应是建墙：申请专利、注册商标、限制访问。DeepSeek选择了一条完全不同的路——把成果摊开，所有细节、训练方案全部公开。这种做法让它赢得了远超短期收益的行业尊重和用户信任。
我相信，未来会有更多团队沿着这个方向走。不是因为DeepSeek多伟大，而是因为它证明了一条可行的路。那条路可能是通往AGI的关键路径——纯粹通过强化学习，让模型在自博弈过程中涌现出更高阶的认知能力。
如果你现在才开始关注R1，建议你读一下官方论文，去体验一把API，看看R1是怎么思考的。你会发现，技术文档和实际体验完全是两回事。那些冰冷的benchmark数字背后，是一个正在觉醒的智能体。
很多人说买模型产品只是付钱，没有深度体验和反思。但R1不一样——它是整个行业从“买模型”到“用模型思考”的一个转折点。
借用论文里的一句话：“我们没直接教模型如何解决问题，只是给予它正确的激励，模型就能自己琢磨出先进的解题办法。”
这大概就是2025年AI圈的底色：激励大于指令，自我进化大于人工干预，开源推动众生。
而你，站在这个路口——
别只当看客。跳进去，那个浪潮才会带你走得更远。
读者评论 3