DeepSeek R1论文86页完整版上线：技术细节全公开，下一代模型前奏？

1月4日，DeepSeek悄然在arXiv平台更新了R1研究论文。

此次更新未伴随任何官方公告或社交媒体宣传，仅版本号由v1变为v2。然而，下载PDF的读者会注意到显著变化：页数从22页激增至86页，文件大小也从928KB增加到1562KB。

新增内容涵盖完整的训练流程拆解、超过20个评测基准的详尽数据，以及数十页的技术附录，堪称一次近乎重写的重大修订。

更新时机也耐人寻味。1月20日恰逢R1发布一周年，一个月后的2月17日是农历春节，而DeepSeek素有过节前发布重磅产品的习惯，去年的V3和R1均选择在春节前后亮相。

一篇“旧”论文的大幅更新，是否预示着新动作的临近？为解答这一疑问，我们先深入这86页内容，探究其核心增量。

论文的“前世今生”

要把握此次更新的深意，有必要回顾R1论文的完整历程。

2025年1月20日，DeepSeek在arXiv发布22页预印本，核心结论为：纯强化学习能使大模型自主“学会”推理，无需人工标注的思维链数据。论文、模型、方法全面开源，迅速引爆全球AI社区。

同年9月17日，R1论文登上Nature封面，梁文锋作为通讯作者。这标志着全球首个通过顶级学术期刊同行评审的主流大模型诞生，8位专家审稿，逐一质疑与回应。审稿焦点包括R1是否使用OpenAI模型输出训练（即“蒸馏”质疑）、训练数据来源及安全性细节。DeepSeek明确否认蒸馏指控，并首次披露训练成本：从V3-Base到R1仅花费29.4万美元。

Nature为此刊发社论，指出主流大模型公司发布模型时通常缺乏独立评审，“这一空白因Nature发表DeepSeek-R1细节而得以填补”。

2026年1月4日，86页完整版上线。最新版本将Nature版的技术细节同步至arXiv，包括Dev1、Dev2、Dev3训练阶段的完整拆解、扩展后的评测数据，以及附录A-F的技术文档，现免费开放给所有人。

期刊发表后更新预印本在学术界虽属常规，但从22页扩至86页、内容量增长近四倍的幅度却极为罕见。某种程度上，DeepSeek将论文打造成技术全书，旨在让所有人不仅读懂R1，更能复现R1。

新增内容详解：64页“增量”拆解

训练“黑箱”揭秘：Dev1、Dev2、Dev3首度公开

原版论文对训练过程描述较为简略：冷启动SFT → 强化学习 → 最终SFT，三步概括，细节缺失。新版则彻底拆解流程，引入三个中间检查点：Dev1、Dev2、Dev3。

R1完整训练流程图

Dev1为冷启动阶段产物，此时模型指令遵循能力显著提升，但推理能力反而下滑。论文数据显示，Dev1在AIME数学竞赛中表现甚至逊于基座模型。

Dev2专注于“挽救”推理能力，仅进行面向推理的强化学习，恢复数学与代码能力，同时维持指令遵循水平。

Dev3为最终打磨阶段，通过拒绝采样生成高质量数据，再进行一轮SFT，确保模型在推理与通用任务上稳定输出。

这套“先立规矩、再练内功、后调形态”的三段流程，解答了众人关切：为何R1能兼顾长链推理与输出规范，而不像R1-Zero那样混乱或中英夹杂。

从5个基准到20+：评估体系大幅扩展

原版评测聚焦于AIME数学竞赛、Codeforces编程、MATH数据集等核心指标。新版大幅扩展至MMLU、MMLU-Pro、DROP、GPQA Diamond、IFEval、Arena-Hard、SWE-bench Verified、LiveCodeBench等20余个基准。

R1-Zero训练曲线：准确率从15.6%攀升至77.9%，超越人类水平（绿色虚线）

更引人注目的是人类基线的引入。新版论文直接将R1的AIME成绩与人类参赛者平均分对比。R1-Zero训练中，pass@1从15.6%一路涨至71.0%，采用多数投票后达86.7%，超越人类平均水平。

这种与人类对比的评测方式，比单纯刷榜更具说服力。

强化学习“炼丹手册”：附录A-F的秘诀

对希望复现R1的研究者而言，新增附录可能是最宝贵的部分。

附录A详述GRPO的实现细节，包括学习率、KL系数、采样温度等关键超参数。附录B-F则覆盖奖励函数设计、数据构造策略、评测细节等。原版论文“方法论”色彩浓厚，新版则更像操作手册，参数明确、流程清晰、难点标注。

如某技术解读所言，与原版聚焦高层方法论和结果不同，新版附录为任何想了解模型工作原理的人提供了完整透明的指南。

写入论文的失败尝试

新版论文中有一个易被忽略的章节：Unsuccessful Attempts（失败的尝试）。

DeepSeek坦诚尝试了MCTS和PRM这两条过去一年业界最热门的研究方向，众多顶级实验室重注投入。结果却是：走不通，至少在通用推理任务上行不通。

论文解释称，这类方法对“步骤颗粒度”要求过高，适合数学证明等每一步可清晰验证的场景，但难以泛化至更开放的推理任务。这与开发者社区讨论不谋而合：PRM和MCTS可能限制强化学习的探索空间，仅适用于边界清晰的问题。

将失败写入论文在学术界虽不罕见，但在工业界主导的大模型研究中却相当少见。某种程度上，DeepSeek为整个行业祛魅：巨头们死磕的方向未必正确。

从22页到86页，DeepSeek补上的是可复现性。这也引出一个问题：为何选择此时做这件事？

为何选择此时？

期刊发表后同步内容至预印本在学术界司空见惯，但R1此次更新仍有几个耐人寻味之处。

首先是时间节点。1月4日论文更新，1月20日R1发布一周年，2月17日农历春节，三个日期串联，引人遐想。去年V3和R1均在春节窗口期发布，DeepSeek似已形成“年货”传统。X平台上已有人发问：“我们会很快听到鲸鱼的消息吗？”

其次是更新本身的异常。多数论文发布后不再改动，最多修正勘误。一次性补充60多页，将内部积累的实现细节、消融实验乃至失败尝试全部公开，这在追求护城河的AI行业极为罕见。

如何理解这种“反常”？一种解读是这些技术对DeepSeek当前研究已无竞争优势，他们已转向新方向。结合1月1日刚发布的mHC架构论文，下一代模型的轮廓似乎正在浮现。

另一种解读是防御性开源：将一年前的技术细节彻底公开，使其成为公共知识，可防止竞争对手申请专利或构建壁垒。与其让R1技术逐渐稀释于闭源竞争，不如主动释放，抬升整个开源社区的水位。

还有一个易被忽略的细节：作者名单。论文用星号标注已离职人员，但100多位贡献者中仅5位带星号，18位核心作者一年后全部留存。更有趣的是，一位曾带星号的研究员此次星号消失，似乎已归队。核心班底几乎零流失，在人才争夺白热化的AI行业实属罕见。

回望过去一年，DeepSeek的节奏始终是先发论文，再发模型。V3论文详解MoE架构和MLA注意力机制，R1论文拆解纯强化学习训练框架，mHC论文优化训练稳定性。每篇均非事后总结，而是提前铺路。此次86页更新，某种意义上也是同样逻辑：在下一个大动作前，彻底清空上一阶段的技术债。

至于那个“大动作”究竟是什么、何时到来，答案或许即将揭晓。