| 模型 | 方法 |
|---|---|
| DeepSeek-R1-Zero | 纯强化学习 |
| DeepSeek-R1 | 冷启动 SFT(监督微调) -> RL（强化学习） -> COT（长链推理） + 通用数据 |
| 蒸馏小模型 | 直接用上面的 80w 数据进行SFT（监督微调） |
DeepSeek-R1-Zero首次验证了纯强化学习在 LLM 中能显著增强推理能力 的可行性，即无需SFT，仅通过 RL 即可激励模型学会长链推理和反思。 提出了多阶段训练策略(冷启动->RL->SFT->全场景 RL)，有效兼顾准确 率与可读性，产出 DeepSeek-R1，性能比肩 OpenAI-o1-1217。 展示了知识蒸馏在提升小模型推理能力方面的潜力，并开源多个大小不 一的蒸馏模型(1.5B~70B)
