DeepSeek-R1 の論文、学習手法を読み解く

DeepSeek-R1 は DeepSeek-V3-Base をベースにしています。 少数の CoT データでファインチューニングします。 強化学習には GRPO とルールベース報酬を使います。

AI要約です。詳しくは出典へ。誤りを報告