În mod tradițional, toate modelele de instrucție (Instruction-Tuned) necesită zeci de mii de exemple umane de tip întrebare-răspuns formulate pas cu pas (Supervised Fine-Tuning – SFT). DeepSeek-R1-Zero a demonstrat că această etapă poate fi complet eliminată.
Plecând de la ponderile brute ale DeepSeek-V3-Base, cercetătorii au aplicat exclusiv învățare prin întărire (RL) ghidată de compilatoare de cod și verificatori matematici formali. Modelul a obținut un scor remarcabil de 71.0% pe benchmark-ul AIME (American Invitational Mathematics Examination), depășind modele instruite cu milioane de exemple umane.
Întrebări & Exemple practice:
DeepSeek-R1-Zero: Antrenare Pură prin RL Fără Date SupervizateAi o întrebare despre DeepSeek-R1-Zero: Antrenare Pură prin RL Fără Date Supervizate 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.