出于对DeepSeek如何实现强大的思考、总结和表达能力的好奇，我去搜索了DeepSeek的技术论文，试图了解其实现方法，并在这篇及系列文章中用尽量非专业化的语言表达出来。
英文报告原文地址，在国内需要用魔法（翻墙）打开：https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf
于是又费了一番功夫，找到了国内可打开的中英文版本，建议在线浏览，下载需要付费：DeepSeek R1技术报告（英文原版+译版）（22页）.pdf_三个皮匠报告
下面进入技术报告部分
-------------------分割线---------------------
技术报告分为“介绍”、“方法、“实验”、“讨论”、“结论、局限性和未来工作”5个章节。
对于想了解DS工作原理的我们来说，最重要的方法和实验章节。但是，为了能有个全面的认识，在本文中将完整地把技术报告内容过一遍，对于专业词汇，将以链接形式展示，以帮助大家顺利阅读。
第一章 介绍
在这章中，作者概况了DeepSeek-R1-Zero和 DeepSeek-R1模型的技术特点和性能表现，结论就是通过DS创新地使用纯强化学习（RL）整合少量冷启动数据和多阶段训练流程，实现了与OpenAI-o1-0912相当的性能。测试情况如下图所示。
以上文字看不懂没关系，报告里的后面章节对上述内容进行了详细的介绍。下面对技术报告的各章节进行解读。
第二章 方法
2.1 概览
DeepSeek最大的突破点在于，证明了模型的推理能力可以通过大规模强化学习（RL）来显著提高，而之前的大语言模型严重依赖大量监督数据（即带有人工标识的数据）来提高模型性能。并且，通过包含少量冷启动数据，模型的性能可以进一步提高。
下面将介绍Deepseek的两个模型：
DeepSeek-R1-Zero模型将RL直接应用于基础模型，没有任何监督微调（SFT）数据。
DeepSeek-R1模型，从使用数千个长链式思维（CoT）示例微调的检查点开始应用强化学习。然后将DeepSeek-R1的推理能力蒸馏到小型密集模型中。
首先介绍DeepSeek-R1-Zero模型的强化学习算法：
