DeepSeek-R1-Zero 与 DeepSeek-R1 的异同与优劣分析

DeepSeek-R1-Zero 与 DeepSeek-R1 的异同与优劣分析

---

一、相同点

1. 核心训练方法：

   • 两者均基于强化学习（RL），采用 Group Relative Policy Optimization（GRPO） 算法，通过组内样本的奖励相对比较优化策略模型。

   • 目标均为提升语言模型的复杂推理能力（如数学、代码、科学推理）。

2. 基础模型：

   • 均以 DeepSeek-V3-Base 作为初始模型，共享相同的架构