文章深入分析了 DeepSeek R1 团队更新其原始论文的意义，从 v1 的 22 页扩写到 v2 的 86 页，认为这标志着团队从简单的“现象公布”转向了对“大模型推理如何学会”这一核心工程问题的系统性解答。v1 证明了模型在无人类示范下可自发产生复杂推理，而 v2 则将 R1 的训练过程拆解为清晰的多阶段路径，详细阐述了推理的冷启动、强化、修复和泛化过程，并首次明确承认了过度推理、token 效率低等长期挑战，而非回避。作者指出，此次更新不仅仅是论文页数的增加，更是 DeepSeek 团队致力于将“推理”从一个被反复引用的现象，提升为可被系统性讨论和工程化解决的问题的转变，对于整个 AI 领域理解和复现大模型推理能力具有重要的指导价值。

就在前几天，DeepSeek 团队更新了 R1 的原始论文：

从 22 页的 v1 版，直接扩写到 86 页的 v2 版。

这不是一次常规意义上的“补实验”“改措辞”。页数翻了近 4 倍，结构几乎重做，很多在 v1 中一笔带过的内容，被完整拆开、重新组织。你能明显感觉到：他们不是在修一篇论文，而是在把 v1 那个被行业反复引用、却始终说不清楚的核心问题，重新摊开来讲一遍——

大模型的推理，到底是怎么学会的？

v1：22 页写清了“现象”，但也留下了一堆问号

回到 v1，当时最引爆讨论的，并不是某个 benchmark 分数，而是一个非常反直觉的现象：在几乎不依赖人类示范（CoT）的情况下，模型在纯强化学习中，自发产生了长链推理、反思和自校验行为。这件事为什么重要？因为它直接挑战了一个长期默认的行业前提：

想要推理强，就必须先有人类把“怎么想”一步步示范给模型。

v1 用 22 页告诉你：不一定。但问题也恰恰出在这里。v1 更像是一次“现象公布”，而不是一套可复现的方法说明：

• 推理为什么会出现？是奖励信号驱动，还是模型规模效应？

• 为什么会出现语言混杂、可读性差的问题？

• 冷启动 SFT 一加，为什么推理强度反而会下降？

• 如果别人想复现这条路线，训练流程到底该怎么拆？

这些问题，在 v1 里几乎没有展开。而 v2 的 86 页，基本就是在逐条回答这些问号。

v2：不是堆内容，而是把“推理训练流程”完整写出来

v2 最重要的变化，不在结果，而在结构。DeepSeek 在这版论文里，第一次把 R1 的训练过程拆成了一条清晰的多阶段路径，而不是只给你起点和终点：

• R1-Zero：纯 RL，验证推理行为是否会出现

• Dev1：引入冷启动，修复可读性与表达问题

• Dev2：重新强化推理，找回被削弱的推理能力

• Dev3：混合推理与非推理数据，补齐泛化能力

• 最终 R1：在全场景下做强化与对齐

这一步的意义非常关键。它把原本“像经验总结一样”的训练过程，变成了一条可以被复现、被质疑、被改进的工程路线。更重要的是，v2 并没有刻意掩盖阶段间的性能波动。哪些阶段会退步、为什么退步、退步是不是必须付出的代价，都被明确写进了正文。

一个明显转向：他们开始关心“推理能不能被用”

v1 的关注点非常单一：推理能不能出现、能不能拉长。

而 v2 的关注点明显发生了变化：这种推理，能不能被系统接受？

这也是为什么 v2 在奖励和数据层面写得异常细：规则奖励仍然是推理正确性的核心约束，但同时引入了偏好奖励和安全奖励，专门处理语言一致性、输出风格和安全边界。这背后其实是一个很现实的判断：

会推理不等于好用，甚至可能“想太多”。

v2 不再回避过度推理、token 效率偏低等问题，而是明确承认：这些是这条路线的长期挑战，而不是可以一笔带过的副作用。这里刚好可以参考：Yuan3.0 Flash 全新开源：直面大模型过度反思问题

实验写法的变化，本身就是一种态度

如果你仔细对比 v1 和 v2 的实验部分，会发现一个明显差异：

• v1 更像是在展示“我们跑出来了什么”

• v2 则在反复解释“为什么会这样变化”

例如，v2 明确指出：推理强化对偏好类任务的提升是有限的，并不是所有任务都需要长推理，过度推理本身可能成为系统负担，这些内容并不会让论文“更好看”，但它们让这条路线更真实，也更可继续推进。

这次“爆更”，DeepSeek 真正在做什么？

把 v1 到 v2 连在一起看，会发现 DeepSeek 真正在做的，并不只是把论文写长。

v1 是一次爆点式证明：

模型可以在没有人类示范的情况下，学会复杂推理行为。

v2 则是一种克制而认真的回应：

如果这件事是真的，那我们需要把它拆解清楚，而不是只展示结果。

86 页，并不是为了“显得很 Open”，而是为了把“推理”从一个被反复引用的现象，变成一件可以被系统性讨论的工程问题。

小结：v1 是“发现”，v2 是“讲清楚”

如果一定要一句话总结这次从 v1 到 v2 的变化：

v1 让人意识到推理可以“长出来”，而 v2 则第一次认真回答：这种推理，究竟是怎么被训练、修复和对齐的。

也正是在这个意义上，这次论文的“爆更”并不是结束，而更像是 DeepSeek 对外释放的一个信号：他们不是只想跑出一个结果，而是真的想把“推理”这件事讲清楚。

附该论文英中对照版，仅供学习参考，感兴趣的朋友可以关注AINLP公众号回复'deepseekr1'获取该技术报告英中对照版pdf全文：