DeepSeek-R1 的相关研究成果登上 Nature 封面，作为首个通过权威期刊同行评审的主流大模型，其也在技术之外，补充披露了训练成本。 9 月 17 日，DeepSeek-R1 的相关研究成果登上 Nature 封面，这一消息迅速在全球学术领域引发热烈讨论。其实相关研究成果已经于今年 1 月以预印本的 形式发表于 arXiv，但本次公开于 Nature 的意义在于其通过这一权威期刊接受了同行评审，换言之，外部专家并非只接收单向信息，而是能够在独立第 三方（编辑）的监督和管理下，通过一个协作过程提出问题并向作者团队要求更多信息，实属业内首次。 更加重要的是，不同于 1 月公开的预印本论文已经概述了研究方法以及 DeepSeek-R1 在一系列评测基准上的表现，这一正式见刊的论文中补充披露了该 模型的训练成本。据 Nature News 的报道显示，DeepSeek-R1 训练成本仅相当于 29.4 万美元，尽管 DeepSeek 已经为 R1 模型所依托的基础 LLM 投入了约 600 万美元，但成本总额仍远低于业内普遍认为的头部模型训练所需的数千万美元。 * 预印版论文地址：https://hyper ...