2026年7月2日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

🧐 DeepSeek-R1原理解析及项目实践(含小白向概念解读)

发布日期:2025-02-13 11:09:17 浏览次数: 6623
作者:京东云开发者

微信搜一搜,关注“京东云开发者”

推荐语

探索DeepSeek-R1模型的内部机制与实际应用,揭开人工智能推理能力的神秘面纱。

核心内容:
1. DeepSeek模型基础概念及官网按钮功能解读
2. 联网搜索与深度思考(R1)模型的作用与区别
3. DeepSeek V3、R1及R1-zero模型的参数量与性能对比

杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家

一、概念解读(小白向)

我们打开deepseek官网,会发现对话框之下:有两个按钮,那他们的含义如何理解??最近爆火的deepseek究竟指的是哪个模型?深度思考R1与联网搜索的作用?
接下来对常用概念做一些入门性质的介绍:

1、联网搜索:

比较好理解,我们知道LLM(大语言模型)的知识是有时效性的,因为大模型知识来源于海量的离线数据训练,而一般来说,其训练数据大约滞后于其发布时间半年到一年以上。比如在 OpenAI 的模型介绍网页上,可以看到 o1 模型的训练数据截止时间为2023年十月份,而deepseek(此处指V3基座),参考其回复发现时间大约也是2023年10月。【所以对于时效性问题,LLM回答不出来实属正常。】而联网搜索,解决的就是时效性问题,当你勾选联网搜索时,你可以把其视为一个能理解你的任意自然语言问题(传统搜索引擎仅仅为关键词搜索)的AI搜索引擎。
2、深度思考(R1)
在介绍深度思考之前,我们先来了解如下常见名词的含义:
deepseek:泛指性的概念,指任意deepseek系列模型。
deepseek V3:对话模型,最新版deepseek基座模型(无深度思考能力),其指令版本具备对话能力,与gpt-4o,qwen2.5系列等模型属于同阶段模型。参数量671B,当前最强开源基座模型,但参数量巨大,完整部署大约需1300G+显存。
deepseek R1:推理模型,【也就是最近爆火的模型,由于其在相对低资源的条件下,SFT+多阶段强化学习训练出能力超强推理能力而闻名】。擅长复杂问题的推理,准确率相较于deepseek V3更高,但思考过程过长。
deepseek R1-zero:推理模型,可以理解deepseek R1的先验版本,R1-zero的训练是一个探索性的过程,它验证了RL本身对于激励base模型产生推理的能力。在这个探索结论上,才开始正式进入R1的训练。【此模型为实验性质,其能力低于deepseek R1,因而也未面向C端用户上线】
DeepSeek-R1-Distill-Qwen-xxxB:知识蒸馏版的推理模型,使用deepseek R1中间阶段的80w条训练数据,对Qwen2.5系列进行SFT指令微调的模型。(无强化学习过程,可以理解为COT思维链数据的SFT)大家平时听到的残血版,蒸馏版,大多指此版本。

二、训练原理解析

1、训练流程

Deepseek R1的训练过程可分为两阶段迭代优化,核心是通过高质量推理数据生成RL策略提升逻辑推理能力,具体流程如下:

阶段一(Phase 1):COT数据质量提升

1.基座模型
使用Deepseek V3 Base(预训练模型)作为初始基座。
2.训练步骤
SFT训练:用初始逻辑推理数据(如COT轨迹)进行监督微调。
RL强化训练:进一步优化得到Model RL-1,提升推理轨迹的生成质量。
3.核心目的
利用Model RL-1生成更高质量的新COT数据,随后弃用Model RL-1,仅保留新数据。

阶段二(Phase 2):干净基座再训练

1.基座模型回退
关键策略:重新使用原始Deepseek V3 Base(非Phase 1的Model RL-1,是为了避免使用低质量数据污染的基座)。
2.数据混合
新COT数据:Phase 1生成的高质量逻辑推理数据使用拒绝采样的方式来筛选轨迹数据。
Post-training数据:加入deepseekV3非逻辑推理类数据(如通用任务),防止模型遗忘其他能力
3.训练流程
再次回到base模型上,首先用这80w的新数据对它做2个epoch的sft。
接着执行2个阶段的RL:
第1阶段RL:旨在增强模型推理方面的能力。采取类似r1 zero的RL方法,使用基于规则的RM,对模型进行RL训练,以提升模型在数学、代码和逻辑方面的推理能力。(这里用的数据集应该不是那80w,是类似于zero直接构建prompt)
第2阶段RL:旨在针对模型的helpfulness和 harmlessness,类似于dpsk v3的训练pipeline



核心训练技巧

1.迭代数据增强
通过前阶段模型生成更优质数据,用于后阶段训练(类似微软rStar-Math的MSCT方法)。
2.基座模型重置
每轮迭代均从原始干净基座出发,避免误差累积,最大化高质量数据效用。
3.防遗忘机制
混合逻辑与非逻辑数据,保持模型多任务平衡性。

参考图片来源:复刻OpenAI O3之路:Deepseek R1、Kimi K1.5及MCTS技术路线探析-知乎

2、DeepSeek R1 的技术价值思考:

1、r1 zero证明了无需sft,直接用base model做单纯的RL,已经可以取得强大的reasoning能力。这里单纯的RL是指:没有显式提供一些真正的long cot数据让模型去背去学,我只是在sys_msg里告诉模型先思考,再回答。接着通过RL一轮又一轮的训练,模型产出的responses越来越长,且在某个时刻出现了自我评估和反思的行为。
2、随着训练steps的增加,r1 zero倾向于产出更长的response(long cot),并且还出现了反思行为。这些都是在没有外部干预的情况下,r1 zero模型在训练中自我进化的结果。
3、对于小模型,不需要依然RL,只用蒸馏就可以使得其推理能力得到显著提升(对于大模型会是怎么样的,技术报告中没有提)

三、deepseek复现-实践项目

1、高考数学测试

测试数据:《2024年高考新课标一卷数学真题》,一共19道题,满分150分。
测试方式如下
1.Claude sonnet 3.5 (直接把题目输入给模型)
2.Claude sonnet 3.5 + COT
3.Claude sonnet 3.5 + MCTS+ COT(Agent模式)
4.O1-preview (直接把题目输入给模型)
5.Qwen2.5-Math-72B (直接把题目输入给模型)
6.Deepseek-R1 (直接把题目输入给模型)
7.Deepseek-R1-Distill-Qwen-32B (直接把题目输入给模型)
详见:
https://mp.weixin.qq.com/s/jUIHibLdO59fWTAKFMX79A

2、deepscaler

UC伯克利的研究团队基于Deepseek-R1-Distilled-Qwen-1.5B,通过简单的强化学习(RL)微调,得到了全新的DeepScaleR-1.5B-Preview。在AIME2024基准中,模型的Pass@1准确率达高达43.1% ——不仅比基础模型提高了14.3%,而且在只有1.5B参数的情况下超越了OpenAI o1-preview!
Deepseek-R1发现,直接在小型模型上用强化学习,效果不如知识蒸馏。在Qwen-32B模型上做对比实验,强化学习只能让AIME测试的准确率达到47%,但只用知识蒸馏就能达到72.6%。不过,要是从更大的模型中,通过蒸馏得到高质量的SFT数据,再用强化学习,小模型的推理能力也能大幅提升。研究证明了这一点:通过强化学习,小型模型在AIME测试中的准确率从28.9%提高到了43.1%。
https://github.com/agentica-project/deepscaler

3、Logic-RL

中科大某大四科研小组复现,在Logic Puzzle Dataset数据集下。
证明了:原始基座模型在测试集上只会基础的step by step逻辑。但在无 Long CoT冷启动蒸馏,三阶段Rule Based RL后,模型学会了:
- 迟疑 (标记当前不确定的step等后续验证),
- 多路径探索 (Les't test both possibilities),
- 回溯之前的分析 (Analyze .. statement again),
- 阶段性总结 (Let's summarize, Now we have determined),
- Answer前习惯于最后一次验证答案(Let's verify all statements)
https://github.com/Unakar/Logic-RL

4、Open R1

国外huggingface团队复现,旨在做到完全开放复现 DeepSeek-R1,补齐 DeepSeek 所有未公开的技术细节。
https://github.com/huggingface/open-r1

四、本地实践

1、本地化部署与产品使用

我们在RAG知识增强的问答助手5starAI项目上实践。使用VLLM部署了DeepSeek-R1-Distill-Qwen-32B-4bit版本,显存占用如下。速度实测约50Tokens/S。
RAG场景,在Llamaindex框架下集成,部分代码如下:
以下是应用效果截图,含思考过程:(ps欢迎大家来尝试使用或者合作,京Me搜索机器人5starAI
2、强化学习训练实践
由于本地有text2SQL前置实践经验【http://xingyun.jd.com/shendeng/article/detail/31804?forumId=38&jdme_router=jdme://web/202206081297?url%3Dhttp%3A%2F%2Fsd.jd.com%2Farticle%2F31804】,并积累了相关数据集,我们计划在text2SQL任务上,使用DeepSeek-R1-Distill-Qwen-1.5B为基座(资源限制),参考https://github.com/agentica-project/deepscaler的项目经验,进行RL训练。目前正在尝试复现该项目效果中,后续将更新。


53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅