启发：

1、SFT&RL的训练数据使用CoT输出的格式，先思考再回答，大大提升模型的数学与推理能力。

2、RL训练使用群体相对策略优化（GRPO），奖励模型是规则驱动，准确性奖励和格式化奖励。

1. 总体概述

• 背景与目标

  • 报告聚焦于利用强化学习（RL）提升大型语言模型（LLMs）的推理能力，旨在探索在不依赖大规模监督微调（SFT）的情况下，模型如何自我进化并形成强大的推理能力。

  • 介绍了两代模型：DeepSeek-R1-Zero（纯 RL，无 SFT 冷启动数据）和 DeepSeek-R1（在 RL 前加入少量冷启动数据和多阶段训练流程，提升可读性及推理表现）。

• 核心思路

  • 直接在基础模型上应用大规模强化学习，利用规则设计的奖励机制（包括准确性奖励和格式奖励）激励生成长链思维（CoT）。

  • 通过拒绝采样和后续的监督微调，进一步改善模型输出的可读性和对齐人类偏好。