DeepSeek-R1深度解读，如何做到 RL+LLM 训练的？

DeepSeek-R1深度解读，如何做到 RL+LLM 训练的？

[@AngieSong-lq3ur]

哇好开心有人带着读研究报告

[@shaly0815]

目前是我看過最好的解釋deep-seek 功能的人

[@ZOMI666]

谢谢

[@brotherchang]

以推理模型（ OpenAI o1及 DeepSeek R1） 需要思考链（CoT) 的阐述内容，常理上使用监督学习（注重每一个步骤细节的掌控）作为训练较为合理完整，而DeepSeek使用的强化学习（只注重目标结果的奖励）训练效果却与监督学习相当，请问你觉得为什么会这样呢？ 目前这个效果在DeepSeek R1是呈现了，可以较直观合理化解释其中的道理吗？

[@洪好马]

不要苛坷别人的讲话语气，能够说清问题就好，我觉的逻辑过程说的很清晰，算法过程需要大四以上才能理解。

[@ZOMI666]

感谢您的建议

[@吴吉人]

20:30 on policy 和 off policy的特点是不是写反了？

[@Coconut-Crusted-French-Toast]

感谢分享

[@ZOMI666]

谢谢

[@kerkerYue]

想請問主播有聽說過 北京通用人工智能研究院嗎 如何評價 感謝🫰

[@ZOMI666]

听过，国家 4 大 AI 研究院之一

[@jiachengxu6336]

神速

[@cgyyit]

这“奖励”听到我好苦😂

[@ZOMI666]

为什么呀

[@JASONCHOW-zq5vv]

大哥，讲话就好好讲，不要搞一堆奇怪的语气，很萌吗？？好好讲话，好好讲解不行？一个好好的研究报告，被讲解成这样

[@ZOMI666]

例如哪里？

[@dbb3756]

我觉得人家讲的挺生动的😂

[@minlin6618]

这不讲的挺好的吗？可能别人说话的音色就是这样，为啥不关注内容。不喜欢听的话可以划走。。非要留评找存在感

[@helloworld-m5z]

這博主說話陰陽怪氣的

[@ZOMI666]

Этот блоггер странно разговаривает