通俗解释
R1-Zero 直接在基座模型上用 GRPO + 规则奖励训练，自发出现更长思考和“回头检查”；R1 再加冷启动数据和多阶段训练提升可读性，并把推理能力蒸馏给小模型。
用在哪里：DeepSeek-R1 及其蒸馏模型、众多开源复现
01原始论文
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
DeepSeek-AI, Daya Guo, Dejian Yang, et al. · 2025
arXiv ↗ ✓ 已核实 · arXiv API
备注：同行评审版发表于 Nature 2025-09-17，DOI 10.1038/s41586-025-09422-z（Crossref 已核实）
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：后训练与推理模型
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
deepseek-r1)