IEEE39节点系统，10机39节点，新英格兰39节点，并网双馈风机DFIG可进行潮流计算，风...
2026/1/14 21:12:31
DeepSeek R1论文从22页大幅扩展至86页，新增完整训练管线拆解、20多个评测基准数据及详细技术附录。论文首次公开Dev1-Dev3三阶段训练过程，引入人类基准对比，并坦承MCTS和PRM等热门技术路线的失败。此次更新发生在R1发布一周年前夕，结合DeepSeek春节发布新品的传统，或预示新模型即将发布，体现了其可复现性技术策略。
1月4日，DeepSeek在arXiv上更新了R1论文。
没有官宣，没有推文，只是版本号从v1变成了v2。但打开PDF的人都会发现一个变化，页数从22页膨胀到了86页，文件大小从928KB涨到1562KB。
新增内容包括完整的训练管线拆解、20多个评测基准的详细数据、以及长达数十页的技术附录，近乎重写的大手术。
时间点也有些微妙。1月20日是R1发布一周年，再往后推一个月，2月17日是农历春节，而DeepSeek有在春节前放大招的传统，去年的V3和R1都是在春节窗口期发布的。
一篇“旧”论文的大更新，会是新动作的前奏吗？要回答这个问题，我们先来看看这86页里到底写了什么。
1
一篇论文的“三生三世”
要理解这次更新的意义，需要先回顾R1论文的完整旅程。
2025年1月20日，22页预印本发布。DeepSeek在arXiv发布R1论文，核心结论是：纯强化学习可以让大模型自己“学会”推理，不需要人类标注的思维链数据。论文开源、模型开源、方法开源，直接引爆全球AI社区。
2025年9月17日，R1论文登上Nature封面，梁文锋署名通讯作者。这是全球首个通过顶级学术期刊同行评审的主流大模型，8位专家审稿，逐条质疑，逐条回应。审稿人关注的问题包括，R1是否使用了OpenAI模型的输出来训练（即“蒸馏”质疑）、训练数据的具体来源、以及安全性细节。DeepSeek在回应中明确否认了蒸馏指控，并首次公开了训练成本，从V3-Base训练到R1，只花了29.4万美元。
Nature为此专门撰写社论，指出主流大模型公司发布模型时通常不经过独立评审，“这一空白随着Nature发表DeepSeek-R1的细节而改变”。
2026年1月4日，86页完整版上线。最新版本把Nature版的技术细节同步回arXiv。Dev1、Dev2、Dev3训练阶段的完整拆解、扩展后的评测数据、以及附录A-F的技术文档，现在免费向所有人开放。
期刊发表后同步更新预印本，在学术界是常规操作。但从22页扩到86页、内容量翻近四倍，这种幅度的更新相当罕见。某种程度上，DeepSeek把一篇论文做成了一份技术全书，它想让所有人都能复现R1，而不只是读懂R1。
新增了什么？拆解64页“增量”
训练“黑箱”打开：Dev1、Dev2、Dev3首次曝光
原版论文对训练过程的描述相当克制：冷启动SFT → 强化学习 → 最终SFT，三步走完，细节从略。新版则把这个管线彻底拆开，引入了三个中间检查点：Dev1、Dev2、Dev3。
R1完整训练管线
Dev1是冷启动阶段的产物。模型在这个阶段学会了听话（指令遵循能力大幅提升），但代价是推理能力反而下滑。论文披露的数据显示，Dev1在AIME数学竞赛上的表现比基座模型还要差。
Dev2专门用来“抢救”推理能力。这个阶段只做reasoning-oriented RL，把数学和代码能力拉回来，同时保持住指令遵循的水平。
Dev3是最终打磨。通过拒绝采样生成高质量数据，再做一轮SFT，让模型在推理任务和通用任务上都能稳定输出。
这套先教规矩、再练内功、最后调形态的三段式流程，解释了一个很多人关心的问题，为什么R1既能做长链推理，又不会像R1-Zero那样输出混乱、中英混杂。
从5个benchmark到20+：评估体系全面扩展
原版论文的评测集中在几个核心指标，AIME数学竞赛、Codeforces编程、MATH数据集。新版大幅扩展了评测范围，涵盖MMLU、MMLU-Pro、DROP、GPQA Diamond、IFEval、Arena-Hard、SWE-bench Verified、LiveCodeBench等20多个基准。
R1-Zero训练曲线：准确率从15.6%涨到77.9%，超过人类水平（绿色虚线）
更值得关注的是人类baseline的引入。新版论文直接把R1的AIME成绩和人类参赛者的平均分放在一起比较。R1-Zero在训练过程中，pass@1从15.6%一路涨到71.0%，使用多数投票后达到86.7%，超过了人类平均水平。
这种和人比的评测方式，比单纯刷榜更能说明问题。
RL炼丹手册：附录A-F中的“秘籍”
对于想复现R1的研究者来说，新增的附录可能是最有价值的部分。
附录A详解了GRPO（Group Relative Policy Optimization）的实现细节，包括学习率、KL系数、采样温度等关键超参数。附录B-F则覆盖了奖励函数设计、数据构造策略、评测细节等。原版论文的"方法论"色彩浓厚，新版则更像一本操作手册，参数写死、流程写清、坑也标出来。
正如一篇技术解读所说，与原版聚焦高层方法论和结果不同，新版的附录为任何想了解模型工作原理的人提供了完整透明的指南。
被写进论文的失败尝试
新版论文还有一个容易被忽略的章节：Unsuccessful Attempts（失败的尝试）。
DeepSeek坦承，他们试过MCTS（蒙特卡洛树搜索）和PRM（过程奖励模型）m这两条路线是过去一年业界最热门的研究方向，不少顶级实验室都在重注押宝。结果是：走不通，至少在通用推理任务上走不通。
论文的解释是，这类方法对“步骤颗粒度”要求太高，适合数学证明这种每一步都能清晰验证的场景，但很难泛化到更开放的推理任务。这和开发者社区的讨论不谋而合，PRM和MCTS可能会限制强化学习的探索空间，只适合那些边界清晰的问题。
把失败写进论文，在学术界并不罕见，但在工业界主导的大模型研究中相当少见。某种程度上，DeepSeek帮整个行业做了一次祛魅，巨头们死磕的方向，未必是对的方向。
从22页到86页，DeepSeek补上的是可复现性。这也引出了一个问题，为什么选择在这个时间点做这件事？
1
为什么是现在？
期刊发表后把内容同步回预印本，学术界司空见惯。但R1的这次的论文更新，还是有几个值得玩味的地方。
首先是时间节点。1月4日论文更新，1月20日R1发布一周年，2月17日农历春节，三个日期串在一起，很难不让人联想。去年V3和R1都是在春节窗口期发布的，DeepSeek似乎形成了某种“年货”传统。X上已经有不少人在问：“我们会很快听到鲸鱼的消息吗？”
其次是更新本身的反常。大多数论文发布后就不再改动，最多修修勘误。一次性补上60多页，把内部积累的实现细节、消融实验、甚至失败尝试全部公开，这在追求护城河的AI行业相当少见。
怎么理解这种“反常”？一种解读是这些技术对DeepSeek的当前研究已经不再构成竞争优势，他们已经转向了更新的方向。结合1月1日刚发布的mHC架构论文，下一代模型的轮廓似乎正在浮现。
另一种解读是防御性的开源策略，把一年前的技术细节彻底公开，使其变成公共知识，可以防止竞争对手将类似技术申请专利或构建壁垒。与其让R1的技术在闭源竞争中被逐渐稀释，不如主动释放，拉高整个开源社区的水位。
还有一个容易被忽略的细节是作者名单。论文用星号标注已离职人员，但在100多位贡献者中只有5位带星号，18位核心作者一年后全部还在。更有意思的是，一位曾经带星号的研究员这次星号消失了，似乎重新回到了团队。核心班底几乎零流失，在人才争夺白热化的AI行业也相当罕见。
回看过去一年，DeepSeek的节奏始终是先发论文，再发模型。V3论文详解了MoE架构和MLA注意力机制，R1论文拆解了纯RL训练框架，mHC论文优化训练稳定性问题。每一篇都不是事后总结，而是提前铺路。这次86页的更新，某种意义上也是同样的逻辑，在下一个大动作之前，把上一个阶段的技术债彻底清完。
至于那个“大动作”是什么、什么时候来，答案或许很快会揭晓。
如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。