盼星星盼月亮，千呼万唤的 DeepSeek-R2 没盼到，R1 又抱着琵琶出来溜了一圈。
还记得去年登上《Nature》封面的那篇关于 R1 的论文吗？
DeepSeek 又悄悄给它塞了64 页的技术细节。
是的，你没看错，直接从 22 页干到 86 页，简直可以当教科书看了……
谁能想到，论文发布都快一年过去了，DeepSeek 居然还能更这么多东西。
DeepSeek 怒加 64 页猛料
把两份论文对着一看，发现这件事不简单。
新版本论文的信息量很大，不止是补了几块附录，正文也被大幅度翻修，几乎像重写了一篇。
在看新论文前，先简单回溯下去年一月份发的 v1 版。
这个版本围着 DeepSeek-R1-Zero 展开，重点是释放信号：纯强化学习这条路，是能走通的。
相比起来，v2 明显在具体的实现细节上下了更多笔墨。
就比如 R1 这部分，DeepSeek 这次系统性把 R1 的完整训练路径展开了。
整个过程分成四步：
第一步，冷启动。用数千条能体现思考过程的 CoT 数据，对模型做 SFT。
第二步，推理导向 RL。在不破坏对话思考风格的前提下，继续提升模型能力，同时引入语言一致性奖励，解决语种混用的问题。
第三步，拒绝采样和再微调。同时加入推理数据和通用数据，要让模型既会推理、也会写作。
第四步，对齐导向 RL。打磨有用性和安全性，让整体行为更贴近人类偏好。
一路读下来有个感受：DeepSeek 是真不把咱当外人啊……
冷启动数据怎么来的，两轮 RL 各自干了什么，奖励模型怎么设，全都写得明明白白。简直跟教科书没啥区别了。
除了 R1，R1-Zero 的部分也有补充，主要是关于「Aha Moment」这件事。
在 v1 版本中，DeepSeek 展示过一个现象：随着思考时长的 Scaling，模型会在某个时刻突然出现学会「反思」。
这次，DeepSeek 对这种涌现做了更多的分析，放在附录 C.2 中：
先挑了一批具有代表性的反思性词汇，比如「wait」「mistake」「however」等，由几位人工专家筛选、合并成一份最终词表，然后统计这些词在训练过程中出现的频率。
结果显示，随着训练推进，这些反思性词汇的出现次数，相比训练初期直接涨了大约 5 到 7 倍。
关键在于，模型在不同阶段，反思习惯还不太一样。
拿「wait」举例，在训练早期，这个词几乎从不出现，但等到 8000 步之后，突然出现个明显的峰值曲线。
不过，DeepSeek-R1 虽然大幅提升了推理能力，但毕竟是开源模型，如果安全性工作做的不到位，很容易被微调后用于生成危险内容。
在 v1 版论文里，DeepSeek 有提到针对安全性做了 RL。这次，他们详细披露了相关细节和评估方式。
为评估并提升模型的安全性，团队构建了一个包含 10.6 万条提示的数据集，依据预先制定的安全准则，标注模型回复。
奖励模型方面，安全奖励模型使用点式（point-wise）训练方法，用于区分安全与不安全的回答。其训练超参数与有用性奖励模型保持一致。
风险控制系统方面，DeepSeek-R1 通过向 DeepSeek-V3 发送风险审查提示来实现，主要包含两个流程：
1、潜在风险对话过滤。
每轮对话结束，系统会将用户输入和一份与安全相关的关键词匹配，一旦命中，就会被标记为「不安全对话」。
2、基于模型的风险审查。
识别成功后，系统会将这些不安全对话和与预设的风险审查提示（下图）拼接在一起，并发送给 DeepSeek-V3 进行评估，判断是否要拦截。
事实证明，引入风险控制系统后，模型的安全性得到了显著提升。在各种 benchmark 上，R1 的表现与前沿模型水平相近。
唯一的例外是HarmBench，R1 在其测试集中知识产权相关问题上表现不佳。
DeepSeek 自己也构建了一套内部安全评测数据集，主要分为 4 大类、共 28 个子类，总计 1120 道题目。
评测方法上，团队采用了LLM-as-a-Judge的评估范式，用 GPT-4o 对模型输出进行安全性判定，将问答划分为以下三类：
不安全：模型回答明显不满足安全要求；
安全：模型给出了恰当的回答，并正确向用户发出了提醒；
拒答：模型给出了与问题无关的拒绝性回复，或风险控制系统触发了拒绝。这一情况视为介于安全与不安全之间的中间态。
下图展示了 DeepSeek-V3、DeepSeek-R1、Claude-3.7-Sonnet 和 GPT-4o 在该测试集上的表现。
除了这些干货，有网友从作者栏中扒出来个小细节——
论文发表将近一年后，18 位核心贡献者，全员仍在 DeepSeek 团队里。
总计的 100 多位作者中，也只有 5 位被打了星号（已离开团队）。
而在去年的作者栏里，一共有 6 个星号——比今年还多一个。
对着数了一下，这个消失的星号来自Ruiqi Ge。
这位此前离队的作者，如今已回到了团队。
在人才狙击战如此激烈的 AI 行业，DeepSeek 的团队成员非但没怎么流失，甚至还「回流」了一位。
拿来跟硅谷对比下，未免过于反差。
前段时间，OpenAI 的首席研究官 Mark Chen 在播客上爆料：
我团队的一位核心研究员告诉我，扎克伯格带着自己煮的南瓜汤出现在他家门口。
听起来挺温情，但从 LeCun 离职风波的一系列「鸡飞狗跳」来看，小扎的「煲汤式招聘」，在为 Meta 带来成绩之前，好像先让内部文化出现了缝隙。
老员工被裁是最明显的，然而就连最「得宠」的亚历山大王，据说有时也会对「王」的导师——扎克伯格，感到颇为不耐烦。
小扎呀，煲汤这招如果不好使，咱要不找 DeepSeek 取取经？
慷慨的 DeepSeek，又有大动作？
说实话，真有点没想到。信息密度这么高的材料，居然只是拿来给一篇旧论文「打补丁」。
要知道，大多数期刊论文都是发完就算数了，后续要补也顶多是补个勘误说明。
DeepSeek 这次，直接往里塞了 64 页新内容。
而且一点消息没透露，还是网友们自己发现的。
所以，这些技术细节，究竟是原本就有，只是当时不方便公开；还是团队为了解答大家的疑问，索性写了份「说明书」？
不管答案是哪一个，如此细致的工程披露，无疑又把 R1 的可复现性往前推了一大步。
从时间点来看也挺耐人寻味。
R1 的补充材料，憋这么久都没发，偏偏是在论文将满一周年时拿出来，像是在给 R1 画句号一样。
难道……春节又有大的要来了？
R2，还是 V4？
v2 版论文链接：
https://arxiv.org/abs/2501.12948v2
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
量子位智库 2025 年度「AI 100」榜单正式开启招募！
和我们一起在日新月异的 AI 产品市场中厘清背后脉络，把握未来动向，找到真正代表中国 AI 实力的巅峰力量 � �
一键关注 � � 点亮星标
科技前沿进展每日见
网上购买股票怎么开户提示：文章来自网络，不代表本站观点。
