摘要：DeepSeek这次最具突破性的发现是，证明了通过纯粹基于结果的强化学习（Outcome Reward RL），就能将模型提升到O1级别。在此之前，行业内包括DeepMind在内的所有团队都认为，必须依赖**过程奖励模型（Process Reward Mode

GPT > DeepSeek > Gemini > LLaMA及其他

很多人关注点在于DeepSeek用更少的GPU就能训练出效果相近的模型。但实际上，更重要的是支撑这一结果的技术突破：

DeepSeek的核心创新

1. 强化学习的颠覆性变革

DeepSeek这次最具突破性的发现是，证明了通过纯粹基于结果的强化学习（Outcome Reward RL），就能将模型提升到O1级别。在此之前，行业内包括DeepMind在内的所有团队都认为，必须依赖**过程奖励模型（Process Reward Model, PRM）**才能达到这一效果。这一发现直接颠覆了行业的认知，几乎所有非OpenAI的大型LLM团队现在都在推倒重来，复制DeepSeek的训练方法。

2. 模型的自我进化能力

更重要的是，DeepSeek发现这种训练方法甚至能够让模型自发学会长链推理（Longer-Chain Reasoning）和反思能力（Reflection），也就是他们所谓的“aha moment”。简单来说，通过只训练模型以获得更准确的结果，LLM就可以自发学会反思——在思考过程中意识到当前路径可能出错，并主动尝试自我纠正。这种模型“自我进化”的特性，堪称继GPT“智能涌现”之后，行业内的又一重大突破。

从结果到行业意义

表面上看，DeepSeek“用更少的GPU训练出效果相近的模型”似乎只是降低了成本，但实际上，这种方法代表了对扩展法则（Scaling Law）的改进。如果在这种训练方法上投入更多的计算资源，模型能力可能会再提升一个数量级，甚至有望直达AGI（通用人工智能）或ASI（超人工智能）的境界。

正因如此，这次DeepSeek的开源引发了行业的高度关注，其价值远远超过LLaMA。LLaMA主要是通过已知方法堆叠计算资源来训练模型，而DeepSeek则带来了前所未有的技术惊喜和可能性。

来源：吕晓彤