DeepSeek-R1-Zero a dovedit că un model poate învăța să gândească, să verifice și să aloce mai mult timp calculelor complexe fără să fi văzut vreodată exemple umane de rezolvare pas cu pas.
Comparație metodologică
- Metoda clasică: Mii de rezolvări umane scumpe (SFT) -> Aliniere RLHF.
- Metoda DeepSeek-R1-Zero: Model de bază + Recompense matematice obiective -> Comportament de auto-corectare emergent.Punctul de cotitură în cercetarea globală de inteligență artificială din 2025.
Întrebări & Exemple practice:
Antrenarea Pure RL în DeepSeek-R1-Zero: Învățare Fără Date SFTAi o întrebare despre Antrenarea Pure RL în DeepSeek-R1-Zero: Învățare Fără Date SFT sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.