除了发布该模型，他们还发布了一篇研究论文，详细说明了他们是如何实现这一切的。 在这篇 论文[1]中，他们描述了在使用纯强化学习训练模型时的一个“ aha moment”（ 顿悟时刻）。在这一阶段，DeepSeek-R1-Zero（ DeepSeek-R1 的首次测试版本）学会了通过重新评估 ...