（强推理模型） DeepSeek-V3 （基础模型） 面向全场景的强化学习 （规则奖励 + 奖励模型） 纯强化学习训练 多阶段增强训练 R1-Zero 生成的 长思维链数据 综合性能 更强 R1 蒸馏 版 1.5B~32B 对 V3 模 型 监督 微调 混合数据 监督微调 60 万条 推理数据 模型蒸馏是一种将大型复杂模型（教师模型）的知识迁移到小型高效模型（学生模型）的模型压缩技术 算法共振与羊群效应 OpenAI ：推理增强会明显减少幻觉！ DeepSeek R1 实测：推理增强后幻觉率增加！ 过度延展的推理机制 训练数据的奖励偏差 解决方案？ 面临挑战 3 ：创造力与幻觉率悖论？ 根据 Vectara 的测试， R1 的幻觉率 14.3% ，显著高于其前身 V3 的 3.9%

接应用于业务场景。然而，DeepSeek 开源的 DeepSeek R1 模型为这一困境带来了突破性解决方 案。通过开源，DeepSeek R1 使央国企的大模型能够理解业务逻辑，从而为“深水区”场景的落地 提供了可能。 目前，央国企可通过以下三种方式实现这一目标： l 模型蒸馏与能力迁移：央国企可通过蒸馏 DeepSeek R1 获取推理能力，并将其“复制”到自 有模型上，快速提升模型的业务适配性。 DeepSeek R1 则代表了推理模型。这类模型以慢速、深思熟 虑、逻辑性的方式运行，通过强化学习训练，在回答问题之前会通过思维链进行“思考”，思考时 间越长，在推理任务上的表现就越好。这种思维方式需要有意识的努力和思考，用于解决复杂问题 或做出深思熟虑的决策。 非推理模型和推理模型各有所长，未来企业需要同时部署这两类模型，这超出了此前的预期。在 DeepSeek R1 出现之前，企业 工具来解决工作问题，以提升效率和质量。用户数量的激 增将导致对算力的需求大幅超过企业原有的规划。 | 2024 爱分析 央国企数字化应用实践报告 26 （3）训练与蒸馏 如果央国企希望对 DeepSeek R1 进行蒸馏，将其推理能力复制到自身的大模型上，或者参照 DeepSeek 公开的技术路径，从头构建思维链数据并通过微调、强化学习等方式改造自有模型，这 些操作都将显著增加对算力的需求。 根据