DeepSeek-R1 + RooCline：极佳的强化学习AI编码代理！对标o1、蒸馏小模型本地部署

Deepseek R1正式发布。不是之前的Light版本，而是完整的R1。

性能与o1相当，还采用MIT开源协议，可以商用。现在能在Deepseek chat平台用，也提供API。

模型分两个版本：主力R1，和面向研究的R1-Zero。

R1-Zero没有监督微调，直接RL，是一个未经过对话偏好对齐监督微调的版本，专门为研究人员或希望自行微调模型的人提供。

正式发布的R1还是用了SFT阶段。

R1是671B参数的大模型，激活参数只有37B，基于Deepseek V3训练。特别强化了思维链和推理能力。

现在Cline或者Roocline中可以直接使用R1了。API获取：https://platform.deepseek.com/usage

在Roocline中这样设置：

让他创建一个Saas网站原型。那么提示词比较长，可以通过上面这篇文章获得。

挺不错的，Saas框架、前后端、登陆注册、生图都还可以。

其次，这是它在Cline中速度、消耗表：

youtube@WorldofAI

Deepseek官网直接Chat使用：

此外，还有6个蒸馏小模型：Qwen 1.5B、7B，Llama 8B，Qwen 14B、32B，还有Llama 系列。

这些微调模型使用由DeepSeek-R1生成的样本进行训练，这大大降低了思考模型的构建门槛。

这个操作很暖心，让不同需求的用户都能用上，从笔记本到服务器，都能找到合适的版本。

测试结果超出预期，最强的是Llama-70B。GPQA Diamond 65.2，比Claude 3.5还高。编程上，LiveCodeBench 57.5，CodeForces 1633，几乎能和o1-mini比肩。

Ollama已经可以部署了，很快也能用VLLM本地运行。

R1价格很友好。API收费：输入每百万token 0.14美元（缓存命中），0.55美元（缓存未命中），输出2.19美元。对比o1：输入15美元，输出60美元。

再说完全靠强化学习，不需要监督微调这一条：

用硬编码规则计算奖励，而非使用学习型的奖励模型。学习型奖励模型可能会被强化学习策略“利用”或“作弊”，导致优化的结果偏离预期目标。就像AlphaZero，从零开始学习，不靠模仿人类。

训练过程中有意思的发现：模型的思考时间会自然增长，这不是预设的，是自发形成的。模型逐渐学会为复杂问题花费更多时间进行思考，体现出类似于“自我反思”和“探索行为”的能力。

这是高级智能行为的一种表现，表明模型具备了更深层次的推理能力。这种未被明确编码的能力，属于智能的“涌现特性”（emergent behavior）。

他们发明的GRPO比PPO更简单：去掉critic网络，用多个样本的平均奖励代替，简化了内存使用。这个方法，是他们2024年2月才提出的。

DeepSeek-R1-Zero的测试结果很有意思。

只靠强化学习，在AIME 2024上得到71.0分，MATH-500达到95.9分。虽然比o1-0912略低，但差距并不大。

特别是在MATH-500上，R1-Zero的95.9分超过了o1-mini的90.0分。这说明纯RL训练的模型，也能掌握复杂的数学推理。

LiveCode Bench上得到73.3分，比o1-mini的60.0分高出不少。

这个结果很重要：它证明了，不需要大量标注数据，单靠强化学习，AI也能学会思考和推理。这可能会改变我们训练AI的方式。

R1，仅用几个月就达到了闭源大厂的水平，还提供了更实惠的价格。

最后，据官方所述，DeepSeek-R1还有几个地方需要提升，他们将继续努力：

通用能力上，函数调用、多轮对话、角色扮演和JSON输出，都不如V3版本。团队打算用长链推理来改进。

语言处理有点意思。现在主要针对中英文优化，其他语言容易混杂。比如用德语问，它可能用英语想，再用德语答。

提示词很敏感。少样本提示反而会影响性能，建议直接描述问题和输出格式，效果更好。

软件工程任务上，评估太慢影响了RL训练。计划用拒绝采样或异步评估来提速。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】