DeepSeek-R1-Zero

LLM模型通过纯强化学习提升推理能力，并提出无需监督数据的新方法。端侧模型性能提升主要依赖蒸馏而非强化学习，DeepSeek-R1-Zero展示了自我进化能力及语言一致性奖励的应用。