R1–Zero强化学习路线新发现及R1思路用于GUI Agent动作预测方案
2025年4月1日，北京天气晴。文章介绍了R1进展中的两个工作，一是研究多种基础模型预训练特性的影响；二是将GRPO-RL强化用于Agent的UI动作预测，数据和奖励函数设计有趣。研究发现Qwen2.5模型在不使用模板的情况下有强大的推理能力，但模板会破坏数学解题能力。此外，文章还讨论了强化学习在图形用户界面（GUI）动作预测中的应用。
DeepSeek-V3-Base
Understand-R1-Zero：深入剖析R1-Zero类训练方法
深入剖析R1-Zero训练方法，发现其已展现‘灵光一现’现象，并提出Dr. GRPO算法优化强化学习过程。仅用8×A100 GPU在27小时内实现SOTA性能。
暗流涌动！DeepSeek 开源 DeepSeek-V3-Base 硬刚 Claude 3.5
DeepSeek AI 发布全新开源大模型 DeepSeek-V3-Base，完成率提升48.4%，在多语言编程领域超越Claude 3.5 Sonnet。该模型拥有256位顶尖专家的智库架构，通过MoE混合专家实现「专才专用」，支持上下文长度最高可达8K。
超越Claude 3.5紧追o1！DeepSeek-V3-Base开源，编程能力暴增近31％
DeepSeek AI开源最新混合专家语言模型DeepSeek-V3-Base，性能优于多个竞品模型，编程能力大幅提升。