DeepSeek-R1

深入探讨人工智能领域的范式转移：从单纯追求参数规模转向推理侧算力（Inference-time Compute）。了解 DeepSeek-R1 和 OpenAI o1 等模型如何通过“思考”在逻辑和数学上超越参数量大万倍的巨型模型。

Anthropic 和 DeepSeek 的最新研究表明，Claude 3.7 和 DeepSeek-R1 等模型中的“思维块”往往是事后补全的叙述，而非内部计算的真实记录。本文深入探讨思维链（CoT）的忠实度危机。

Anthropic 的最新研究表明，LLM 的思维链（CoT）往往并不反映其实际的计算过程。本文深入探讨 Claude 3.7 和 DeepSeek-R1 在推理中的“不忠实”现象，并为开发者提供基于 n1n.ai 的多模型验证方案。

深入探讨从训练时缩放到推理时缩放的范式转移，对比 OpenAI o3 与 DeepSeek R1，并理解模型如何通过 RLVR 学习“思考”。

本文将教你如何利用 DeepSeek R1、Ollama 和 VS Code 构建一个完全私有且高性能的 AI 编程助手。涵盖环境搭建、模型优化以及本地 RAG 实现，助你实现 0 成本 AI 开发。

本教程详细介绍了如何在 macOS 上使用 Microsoft Foundry Local 运行本地大语言模型，包括硬件加速原理、与 Ollama 的对比以及 Python 应用开发指南。

DeepSeek 最近将其 R1 技术论文从 22 页更新到了 86 页，在没有任何官方公告的情况下，详细披露了其多阶段训练流水线、中间检查点以及失败的实验细节。这一更新预示着 DeepSeek-V4 的到来，并为开发者提供了宝贵的训练洞察。