中国新闻服务，北京，9月18日（Sanjifa Reporter），是一家专注于大规模语言模型（LLM）和流行的人工智能（AGI）技术的公司，DeepSeek（DeepSeek）使用了Depeeek-R1采用的大规模推断模型的方法，该模型是一年的大型人工智能模型（AI），该模型（AI）的大型模型（AI）。 9月17日晚上，北京时间，培训方法在国际著名的学术杂志《自然》中在线发布。 AI技术背后的科学研究表明，通过纯净的增强学习，它可以提高大型语言模型的推理能力，从而减少改善性能所需的人类进入任务。受过训练的模型比传统上接受过诸如STEM（科学，技术，工程，数学），研究生级别的编程比赛和问题的任务训练的大型语言模型更好。文章的相应作者DeepSeek的创始人S Liang Wenfeng。导演的DeepSeek-Ai团队说，人类模型的原因始终是一个困难的问题。大型语言模型显示出一些推理功能，但是培训过程需要大量的计算机资源。可以通过快速手动指南改进这种模型，该指南导致中间推理步骤生成，从而可以大大提高复杂任务的性能。但是，这种方法可以导致过度的计算成本并限制其扩展的可能性。 DeepSeek-AI团队表明，DepSeek-R1在人类监督下包括一个详细的培训阶段，以优化推理过程。该模型使用加强学习，而不是人类的审查开发推理程序，从而降低了培训成本和复杂性。在解决高质量问题的情况下，DepSeek-R1获得了一个模板来生成推理过程。该模型获得了解决问题的奖励，我们改善了学习效果。 Deepse在评估Iael EK-R1-Zero和DeepSeek-R1的性能的数学参考点上分别获得了77.9％和79.8％。此外，该模型在研究生水平的生物学，物理和化学问题方面效果很好。 “自然”同时发表了有关国际同行专家专家的“新闻和远景”的文章，并指出当前版本的DeepSeek-R1具有一些功能的局限性，并希望将来有所改善。例如，此模型可以混合语言，目前仅针对中文和英语进行优化。泰特（Tait）对快速单词也很敏感，需要仔细的设计和快速的单词工程。这在某些任务（例如软件工程任务）上没有显示出重大改进。 DeepSeek-AI团队得出的结论是，未来的研究可以专注于优化奖励过程并保证可靠的推理和任务。 （（多于）