1. 首頁 > 生活百科 > >

DeepSeek-R2要來了？

aideepseek

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

【DeepSeek-R2要來了？】DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片

DeepSeek-R2要來了？

文章圖片




編輯：Aeneas KingHZ
【新智元導讀】DeepSeek-R1發布一周年之際 ， 核心算法庫驚現MODEL1 ， 是V4還是R2?


2025年1月20日 ， DeepSeek-R1正式發布 。 從此 ， 國產大模型第一次走到了全球舞臺的核心位置 ， 開啟了開源時代 。
而就在今天深夜 ， 開發者社區沸騰了：DeepSeek的一個存儲庫進行更新 ， 引用了一個全新的「model 1」模型 。

DeepSeek-R1一年了 ， 但DeepSeek-R2還沒來 。
而這個被爆出的MODEL1 ， 極有可能就是R2！
在DeepSeek的開源項目FlashMLA庫代碼片段明確引用了「MODEL1」 ， 并且伴隨針對KV緩存的新優化 ， 和576B步幅的稀疏FP8解碼支持 。

FlashMLA是DeepSeek的優化注意力內核庫 ， 為DeepSeek-V3和DeepSeek-V3.2-Exp模型提供支持 。

項目里 ， 大約有28處提到model 1 。














上下滑動查看
這可以被解讀為新模型即將發布的明確信號 。
巧的是 ， 這個爆料正好趕在DeepSeek-R1發布一周年（2025年1月20日） 。
R1作為開源推理模型 ， 曾匹敵OpenAI o1并登頂iOS App Store ， 此后徹底改變了開源AI社區 。
MODEL1即便不是R2 ， 也意義非凡 ， 畢竟FlashMLA是DeepSeek優化的注意力核心算法庫 。
FlashMLA是DeepSeek為Hopper架構GPU（如H800）優化的MLA（Multi-head Latent Attention）解碼內核 。
在推理層代碼中提及新模型ID ， 往往意味著該新模型（代號為Model1）將繼續復用或改進現有的MLA架構 。
這表明 DeepSeek 團隊正緊鑼密鼓地推進新模型的推理適配工作 ， FlashMLA 作為其核心推理優化的地位依然穩固 。
過去 ， DeepSeek的確遇到了一些麻煩 。
本月15日 ， 國外媒體報道 ， 去年在研發其新一代旗艦模型時 ， DeepSeek在算力上碰到了一點麻煩 。 但DeepSeek及時調整了策略 ， 取得了進展 ， 并正準備在「未來幾周內」推出這款新模型 。



HuggingFace：
DeepSeek如何改變開源AI
HuggingFace在DeepSeek R1發布一周年之際 ， 發文解釋了DeepSeek如何改變了開源AI 。

R1并不是當時最強的模型 ， 真正意義而在于它如何降低了三重壁壘 。
首先是技術壁壘 。
通過公開分享其推理路徑和后訓練方法 ， R1將曾經封閉在API背后的高級推理能力 ， 轉變為可下載、可蒸餾、可微調的工程資產 。
許多團隊不再需要從頭訓練大模型就能獲得強大的推理能力 。 推理開始表現得像一個可復用的模塊 ， 在不同的系統中反復應用 。 這也推動行業重新思考模型能力與計算成本之間的關系 ， 這種轉變在中國這樣算力受限的環境中尤為有意義 。
其次是采用壁壘 。
R1以MIT許可證發布 ， 使其使用、修改和再分發變得簡單直接 。 原本依賴閉源模型的公司開始直接將R1投入生產 。 蒸餾、二次訓練和領域適應變成了常規的工程工作 ， 而非特殊項目 。
隨著分發限制的解除 ， 模型迅速擴散到云平臺和工具鏈中 ， 社區討論的重點也從「哪個模型分數更高」轉向了「如何部署它、降低成本并將其集成到實際系統中」 。
久而久之 ， R1超越了研究產物的范疇 ， 成為了可復用的工程基礎 。
第三個變化是心理層面的 。
當問題從「我們能做這個嗎？」轉變為「我們如何做好這個？」時 ， 許多公司的決策都發生了變化 。
對中國AI社區而言 ， 這也是一個難得的、獲得全球持續關注的時刻 ， 對于一個長期被視為跟隨者的生態系統來說 ， 這一點至關重要 。

這三個壁壘的降低共同意味著 ， 生態系統開始獲得了自我復制的能力 。

DeepSeek-R1一周年
今天 ， 讓我們回到原點 ， 回顧DeepSeek-R1誕生的一年 。
在R1之前 ， 大模型的進化方向幾乎只有一個 ， 更大的參數規模、更多的數據……
但是 ， 模型真的在思考嗎？
這個問題 ， 就是DeepSeek-R1的起點 。
它不是讓讓模型回答得更快 ， 而是刻意讓它慢下來 ， 慢在推理鏈條的展開 ， 慢在中間狀態的顯式表達 。
從技術上看 ， DeepSeek-R1的關鍵突破 ， 并不在某一個單點技巧 ， 而在一整套系統性設計 。

推理優先的訓練目標
在傳統SFT/RLHF體系中 ， 最終答案的「正確性」是唯一目標 。 R1 則引入了更細粒度的信號 。 這也是第一次 ， 模型
高密度推理數據 ， 而非高密度知識
R1的訓練數據 ， 不追求百科全書式的覆蓋 ， 而是高度聚焦在數學與邏輯推導、可驗證的復雜任務 。
總之 ， 答案不重要 ， 過程才重要 。 因此 ， R1才在數學、代碼、復雜推理上 ， 呈現出「跨尺度躍遷」 。
推理過程的「內化」 ， 而不是復讀模板
一個常見誤解是：R1只是「更會寫CoT」 。
但真正的變化在于：模型并不是在復讀訓練中見過的推理模板 ， 而是在內部形成了穩定的推理狀態轉移結構 。
從此 ， 推理不再是外掛 ， 而是內生能力 。

一年之后：R1改變了什么？
首先 ， 它改變了對「對齊」的理解 。
R1之后 ， 我們開始意識到 ， 對齊不僅是價值對齊 ， 也是認知過程的對齊 。
第二 ， 它改變了我們對開源模型的想象空間 。
R1證明：在推理維度 ， 開源模型不是追隨者 ， 而可以成為范式定義者 。 這極大激活了社區對「Reasoning LLM」的探索熱情 。
第三 ， 它改變了工程師與模型的協作方式 。
當模型開始「展示思路」 ， 人類就不再是提問者 ， 而是合作者 。
回到今天：R1仍然是一條未走完的路 。
一周年 ， 并不是終點 。
我們仍然清楚地知道：推理能力還有明顯上限 ， 長鏈路思考仍然昂貴
但正如一年前做出 R1 的那個選擇一樣——真正重要的 ， 不是已經解決了什么 ， 而是方向是否正確 。
DeepSeek-R1的故事 ， 還在繼續 。
而這一年 ， 只是序章 。
參考資料：
https://huggingface.co/blog/huggingface/one-year-since-the-deepseek-moment%20
https://x.com/testingcatalog/status/2013588515271962678%20
https://x.com/nopainkiller/status/2013522059662614653

    推薦閱讀