Jay 发自 凹非寺 量子位 | 公众号 QbitAI 盼星星盼月亮，千呼万唤的DeepSeek-R2没盼到， R1又抱着琵琶出来溜了一圈 。 还记得去年登上《Nature》封面的那篇关于R1的论文吗？ DeepSeek又悄悄给它塞了 64页 的技术细节。 是的，你没看错，直接从22页干到86页，简直可以当教科书看了…… 谁能想到，论文发布都快一年过去了，DeepSeek居然还能更这么多东西。 DeepSeek怒加64页猛料 把两份论文对着一看，发现这件事不简单。 新版本论文的信息量很大，不止是补了几块附录，正文也被大幅度翻修，几乎像重写了一篇。 在看新论文前，先简单回溯下去年一月份发的v1版。 这个版本围着DeepSeek-R1-Zero展开，重点是释放信号：纯强化学习这条路，是能走通的。 相比起来，v2明显在具体的实现细节上下了更多笔墨。 就比如R1这部分，DeepSeek这次系统性把R1的完整训练路径展开了。 整个过程分成四步： 第一步，冷启动 。用数千条能体现思考过程的CoT数据，对模型做SFT。 第二步，推理导向RL 。在不破坏对话思考风格的前提下，继续提升模型能力，同时引入语言一致性奖励，解决语种 ...