வரைபடம்: tuput
தமிழ்
DeepSeek இன் R1 ஆய்வறிக்கை 2025 செப்டம்பர் 17 அன்று Nature இதழில் (தொகுதி 645, பக்கங்கள் 633 முதல் 638 வரை) வெளியானது. மனிதர்கள் எழுதிய மாதிரி விடைகளைப் பின்பற்றாமல், இறுதி விடை சரியாக இருப்பதற்கு மட்டும் வெகுமதி பெற்றால் ஒரு மொழி மாதிரி நீண்ட, தன்னைத்தானே சரிபார்க்கும் தீர்வுகளை எழுதக் கற்றுக்கொள்ளும் என்று அது தெரிவிக்கிறது. எட்டு மதிப்பாய்வாளர்களின் அறிக்கைகளையும் ஆசிரியர்களின் பதில்களையும் இதழ் வெளியிட்டது.
2025 செப்டம்பர் 17 அன்று, ஹாங்சௌ நிறுவனமான DeepSeek இன் பகுத்தறிவு மாதிரியான DeepSeek-R1 இன் பின்னணியில் உள்ள ஆய்வறிக்கையை Nature வெளியிட்டது (தொகுதி 645, பக்கங்கள் 633 முதல் 638 வரை). மனிதர்கள் எழுதிய மாதிரி விடைகளைப் பின்பற்றாமல், இறுதி விடை சரியாக இருப்பதற்கு மட்டும் வெகுமதி பெற்றால் ஒரு மொழி மாதிரி நீண்ட, தன்னைத்தானே சரிபார்க்கும் தீர்வுகளை எழுதக் கற்றுக்கொள்ளும் என்பதே அதன் மையக் கண்டுபிடிப்பு. அமெரிக்க உயர்நிலைப் பள்ளி மாணவர்களுக்கான கணிதப் போட்டியான 2024 அமெரிக்க இன்விடேஷனல் கணிதத் தேர்வில் (AIME), விடைகள் ஒற்றை எண்களாக இருக்கும் அந்தத் தேர்வில், மாதிரியின் முதல் வடிவமான R1-Zero பயிற்சியின் போக்கில் சராசரியாக 15.6% சரியான விடைகளிலிருந்து 77.9% ஆக உயர்ந்தது என்று ஆய்வறிக்கையின் படம் 1 கூறுகிறது. பல மாதிரி விடைகளில் பெரும்பான்மை வாக்கை எடுத்தபோது அது 86.7% ஆக உயர்ந்தது.
ஆய்வறிக்கையுடன் மதிப்பாய்வாளர்களின் அறிக்கைகளையும் ஆசிரியர்களின் பதில்களையும் Nature வெளியிட்டது; அதன் துணைப் பக்கங்கள் பயிற்சிக் கணக்கையும் தருகின்றன: ஆசிரியர்கள் கருதிய GPU வாடகை விலையில் 294,000 டாலர்கள். இப்படிப்பட்ட மாதிரி எப்படிப் பயிற்றுவிக்கப்படுகிறது, ஒவ்வொரு கருத்தும் எங்கிருந்து வந்தது, சக மதிப்பாய்வு எதை மாற்றியது என்பதை இங்கே விளக்குகிறோம்.
ஆய்வறிக்கை என்ன கூறுகிறது
R1-Zero, DeepSeek-V3 Base என்ற மாதிரியிலிருந்து தொடங்குகிறது. அது ஏற்கெனவே இணைய உரையில் முன்பயிற்சி பெற்ற மாதிரி (முன்பயிற்சிக் கட்டம் எங்கள் பயிற்சி விளக்கக் கட்டுரையில் உள்ளது). பிறகு ஆசிரியர்கள் வலுவூட்டல் கற்றலைப் பயன்படுத்தினர். அது ஒரு சோதனை, தவறு முறை: மாதிரியின் சொந்த விடைகளுக்கு மதிப்பெண் வழங்கப்படுகிறது, அதிக மதிப்பெண் பெறும் விடைகளை நோக்கி மாதிரி மெல்லத் தள்ளப்படுகிறது. வழக்கமான மேற்பார்வைக் செம்மைப்படுத்தல் படியை அவர்கள் தவிர்த்தனர்; அதில் மக்கள் மாதிரி விடைகளைக் கொடுக்க, மாதிரி அவற்றைப் பின்பற்றும். வெகுமதி, இறுதி விடை அறியப்பட்ட சரியான விடையுடன் பொருந்துகிறதா என்பதை மட்டுமே சார்ந்திருந்தது. வடிவம் பற்றிய ஒரே அறிவுறுத்தல், மாதிரி தன் பகுத்தறிவை think குறிச்சொற்களுக்கு இடையிலும் விடையை answer குறிச்சொற்களுக்கு இடையிலும் வைக்க வேண்டும் என்று கேட்கும் ஒரு வார்ப்புரு.
பயிற்சியின் போக்கில் பதில்கள் நீளமாயின, சரிபார்த்தல், மறுபரிசீலனை, மாற்று அணுகுமுறைகளை ஆராய்தல் ஆகியவை அவற்றில் தோன்றத் தொடங்கின என்று ஆய்வறிக்கை கூறுகிறது; எப்படிப் பகுத்தறிவது என்பதை ஆசிரியர்கள் மாதிரிக்குத் தெளிவாகக் கற்பிக்கவில்லை. R1-Zero க்குக் குறைகள் இருந்தன: அதன் உரையைப் படிப்பது கடினமாக இருந்தது, சில நேரங்களில் ஒரே விடையில் ஆங்கிலமும் சீனமும் கலந்தன. அதனால் குழு DeepSeek-R1 ஐப் படிப்படியாக உருவாக்கியது. உரையாடல் நடையில் எழுதப்பட்ட ஆயிரக்கணக்கான தொடக்க எடுத்துக்காட்டுகளுடன் அது தொடங்குகிறது, வலுவூட்டல் கற்றலைச் சேர்க்கிறது, பிறகு நிராகரிப்பு மாதிரியெடுப்பு (மாதிரியின் நல்ல வெளியீடுகளை மட்டும் வைத்துக்கொள்வது) மற்றும் இரண்டாம் சுற்று மேற்பார்வைக் செம்மைப்படுத்தல் செய்கிறது, இறுதியாகப் பயனுள்ள தன்மையையும் தீங்கற்ற தன்மையையும் இலக்காகக் கொண்ட இரண்டாவது வலுவூட்டல் கட்டத்துடன் முடிகிறது.
DeepSeek இன் வெளியீட்டுக் குறிப்பு மாதிரியின் தேதியை 2025 ஜனவரி 20 என்று கூறுகிறது; நிரலும் மாதிரிகளும் MIT உரிமத்தில் உள்ளன என்றும், ஆறு சிறிய, அறிவுக் கசிவு (distillation) மூலம் உருவான மாதிரிகளும் வெளியிடப்பட்டன என்றும் அது சொல்கிறது. மாதிரி அட்டையில், ஒரு கேள்விக்கு 64 மாதிரி விடைகளுடன், 0.6 வெப்பநிலையில், R1 ஐ AIME 2024 இல் 79.8% என்றும், அது எதன் மேல் கட்டப்பட்டதோ அந்த DeepSeek-V3 ஐ 39.2% என்றும் DeepSeek பட்டியலிடுகிறது. இந்த மாதிரியின் வாரிசுகள் சீனத் திறந்த எடை மாதிரிகள் பற்றிய எங்கள் பார்வையில் உள்ளன. 2026 நவம்பர் 12 அன்று நாங்கள் திறந்தபோது, மாதிரிக்கான Hugging Face பக்கம் அதன் வாழ்நாளில் ஏறத்தாழ 51.5 மில்லியன் பதிவிறக்கங்களைக் காட்டியது.
ஆய்வறிக்கை சார்ந்திருக்கும் மூன்று முந்தைய எண்ணங்கள்
ஒரு மாதிரி தன் படிகளை எழுதிக் காட்டினால் சிறப்பாகச் செயல்படும் என்ற எண்ணம் முதலில் தூண்டல் வழியாக வந்தது. கூகுளில் இருந்த ஜேசன் வெய் மற்றும் சக ஆய்வாளர்கள் சிந்தனைச் சங்கிலி ஆய்வறிக்கையை 2022 ஜனவரி 28 அன்று வெளியிட்டனர். எட்டு மாதிரி விடைகளை மட்டும் காட்டியபோது, 540 பில்லியன் அளவுருக்கள் கொண்ட ஒரு மாதிரி, பள்ளிக் கணிதச் சொல் கணக்குகளின் தொகுப்பான GSM8K இல் அன்றைய உச்சத் துல்லியத்தை எட்டியது என்று அவர்கள் தெரிவிக்கின்றனர். 2022 மே 24 அன்று தகேஷி கோஜிமா மற்றும் சக ஆய்வாளர்கள், “Let’s think step by step” என்ற சொற்களைச் சேர்த்தால், ஒரு எடுத்துக்காட்டும் இல்லாமலேயே, ஒரு பெரிய மாதிரியின் துல்லியம் MultiArith இல் 17.7% இலிருந்து 78.7% ஆகவும், GSM8K இல் 10.4% இலிருந்து 40.7% ஆகவும் உயர்ந்தது என்று காட்டினர்.
மூன்றாவது இழை, படிகளின் மீதே கொடுக்கப்படும் பின்னூட்டம். 2023 மே 31 அன்று வெளியான ஆய்வறிக்கையில், இறுதி முடிவுக்கு மட்டும் வெகுமதி அளிப்பதையும் ஒவ்வொரு இடைப்படிக்கும் வெகுமதி அளிப்பதையும் ஓப்பன்ஏஐ ஆய்வாளர்கள் ஒப்பிட்டனர். MATH தரவுத்தொகுப்பில் படிநிலைப் பின்னூட்டம் வென்றது; சிறந்த மாதிரி ஒரு பிரதிநிதித்துவ உட்தொகுப்பில் 78% ஐத் தீர்த்தது; மனிதர்கள் எழுதிய 800,000 படிநிலைக் குறிச்சொற்கள் கொண்ட PRM800K ஐயும் குழு வெளியிட்டது.
இவை ஒவ்வொன்றுக்கும் மனிதர்கள் தேவைப்பட்டனர்: எடுத்துக்காட்டுகளுக்கு, அல்லது ஒவ்வொரு படிக்கான குறிச்சொற்களுக்கு. மனிதர்கள் குறிப்புரை எழுதிய பகுத்தறிவுத் தடங்களைச் சார்ந்திருப்பது அளவை உயர்த்துவதை மெதுவாக்குகிறது, மாதிரி தனக்குக் காட்டப்பட்ட எடுத்துக்காட்டுகளின் தரத்துடன் நின்றுவிடுகிறது என்று Nature ஆய்வறிக்கையின் அறிமுகம் வாதிடுகிறது. வெகுமதியிலிருந்து மட்டுமே ஓர் அடிப்படை மாதிரி நல்ல பகுத்தறிவு உத்திகளைக் கண்டறிய முடியுமா என்பதே அதன் சோதனை.
ஒரு கணித விடையை இயந்திரம் எப்படி மதிப்பிட முடியும்
பகுத்தறிவுப் பணிகளில் இரண்டு வகை விதி அடிப்படையிலான வெகுமதிகளை ஆசிரியர்கள் பயன்படுத்துகின்றனர். துல்லிய வெகுமதி விடையைச் சரிபார்க்கிறது: கணிதக் கேள்விக்கு இறுதி விடை ஒரு குறிப்பிட்ட வடிவில் தேவை, உதாரணமாக ஒரு பெட்டிக்குள், அதனால் ஒரு நிரல் அதை விடைக் குறிப்புடன் ஒப்பிட முடியும்; நிரல்களை ஒரு தொகுப்பி முன்கூட்டியே வரையறுக்கப்பட்ட சோதனை வழக்குகளுக்கு எதிராக இயக்குகிறது. வடிவ வெகுமதி, பகுத்தறிவு குறிச்சொற்களுக்குள் இருக்கிறதா என்பதைச் சரிபார்க்கிறது. இரண்டும் சம எடையுடன் கூட்டப்படுகின்றன.
பகுத்தறிவுப் பணிகளில் கற்றுக்கொண்ட வெகுமதி மாதிரியை, அதாவது விடைகளுக்கு மதிப்பெண் அளிக்கும் இரண்டாவது நரம்பு வலையமைப்பை, அவர்கள் பயன்படுத்தாமல் தவிர்த்தனர். இத்தகைய மாதிரிகள் பெரிய அளவிலான பயிற்சியில் வெகுமதிக் கையாளலுக்கு இடம்தருகின்றன என்றும், அதாவது மாதிரி சிக்கலைத் தீர்ப்பதற்குப் பதிலாக மதிப்பிடுபவரைத் திருப்திப்படுத்தக் கற்றுக்கொள்கிறது என்றும், அவற்றை மீண்டும் பயிற்றுவிக்க கூடுதல் கணினித் திறன் செலவாகிறது என்றும் ஆய்வறிக்கை கூறுகிறது.
கற்றல் முறை குழு சார்ந்த ஒப்பீட்டுக் கொள்கை மேம்படுத்தல், சுருக்கமாக GRPO. ஒவ்வொரு கேள்விக்கும் மாதிரி ஒரு விடைக் குழுவை எழுதுகிறது; R1-Zero இன் ஓட்டத்தில் அது 16. ஒவ்வொரு விடையின் வெகுமதியும் குழுவின் சராசரியுடனும் பரவலுடனும் ஒப்பிடப்படுகிறது, சராசரிக்கு மேல் உள்ள விடைகளின் வாய்ப்பு உயர்த்தப்படுகிறது. பழைய PPO முறையில் பயன்படும் தனி மதிப்புச் சார்பு இல்லாமல், குழுவின் மதிப்பெண்களிலிருந்து நேரடியாக அனுகூலத்தை இது மதிப்பிடுகிறது என்று Nature ஆய்வறிக்கையின் படத் தலைப்பு கூறுகிறது. GRPO ஐ DeepSeek குழு 2024 பிப்ரவரி 5 அன்றைய DeepSeekMath ஆய்வறிக்கையில் அறிமுகப்படுத்தியது; அதில் 7 பில்லியன் அளவுருக்கள் கொண்ட மாதிரி MATH அளவுகோலில் 51.7% ஐ எட்டியது. Nature ஆய்வறிக்கை அந்தப் பணியை மேற்கோள் காட்டி, தன் முறைகள் பகுதியில் இந்த முறையை விவரிக்கிறது.
R1-Zero 10,400 படிகள் பயிற்சி பெற்றது. ஒவ்வொரு படியிலும் 32 கேள்விகள், ஒவ்வொன்றுக்கும் 16 விடைகள், ஆக 512 விடைகள் பயன்படுத்தப்பட்டன; நீள வரம்பு 32,768 டோக்கன்களாக இருந்தது, படி 8,200க்குப் பிறகு அது 65,536 ஆக உயர்த்தப்பட்டது.
பயிற்சி வளைவுகள் காட்டியவை
பயிற்சியின் போக்கில் சராசரிப் பதில் நீளம் சீராக உயர்ந்தது என்றும், மாதிரி தன் வேலையைச் சரிபார்த்தபடியே நூற்றுக்கணக்கிலிருந்து ஆயிரக்கணக்கான டோக்கன்கள் வரை எழுதும் நிலைக்கு வந்தது என்றும் ஆய்வறிக்கை தெரிவிக்கிறது. அதன் விரிவாக்கத் தரவுப் படம், வெளியீடுகளில் “wait”, “mistake”, “verify” போன்ற சிந்தித்துப் பார்க்கும் சொற்களை எண்ணுகிறது. “wait” என்ற சொல் தொடக்கத்தில் கிட்டத்தட்ட இல்லை, படி 4,000 முதல் 7,000 வரை அவ்வப்போது தோன்றியது, படி 8,000க்குப் பிறகு கூர்மையாக உயர்ந்தது. ஓர் இடைநிலை எடுத்துக்காட்டை ஆசிரியர்கள் “aha moment” என்று அழைக்கின்றனர்.
இந்த வாசிப்பை மதிப்பாய்வாளர்கள் எச்சரிக்கையுடன் அணுகினர். இந்த விளைவை இன்னொரு குழு சிறிய அளவில் மீண்டும் உருவாக்கிக் காட்டியுள்ளது என்று ஒருவர் எழுதினார்; இந்த “aha moment” பெருமளவு அடிப்படை மாதிரியின் தரத்தையே பிரதிபலிக்கக்கூடும் என்று வேறொரு ஆய்வறிக்கை சுட்டுகிறது என்றும் சேர்த்தார். எல்லா மதிப்பீடுகளும் இறுதி விடைகளுக்கு மட்டுமே மதிப்பெண் தருகின்றன, இடைநிலை உரைக்கு அல்ல என்றும், அதனால் எழுதப்பட்ட படிகளின் ஒருங்கிணைவு அளவிடப்படவில்லை என்றும் மற்றொருவர் குறிப்பிட்டார். எனவே இந்தக் கட்டுரை அவற்றை மாதிரி எழுதிக் காட்டும் இடைநிலைப் படிகள் என்று விவரிக்கிறது; மாதிரி சிந்திக்கிறது என்று கூறவில்லை.
பயிற்சிக் கணக்கு எதை உள்ளடக்குகிறது
துணைத் தகவல் R1-Zero க்கு 101,000 H800 GPU மணி நேரங்களையும், செம்மைப்படுத்தல் தரவை உருவாக்க 5,000 மணி நேரங்களையும், R1 க்கு 41,000 மணி நேரங்களையும் பட்டியலிடுகிறது; மொத்தம் 147,000. ஒரு GPU மணிக்கு 2 டாலர் என்ற கருதிய வாடகை விலையில் அது 294,000 டாலர்களாகிறது. ஓட்டம் 64 x 8 H800 GPU களைப் பயன்படுத்தியது, அதாவது 512 சிப்கள்; R1-Zero க்கு ஏறத்தாழ 198 மணி நேரமும் R1 க்கு ஏறத்தாழ 80 மணி நேரமும் ஆனது. முதலில் 30 பில்லியன் அளவுருக்கள் கொண்ட மாதிரியில் A100 GPU களுடன் தயாரிப்பு செய்ததாக ஆசிரியர்கள் கூறுகின்றனர்.
இந்தத் தொகை பகுத்தறிவுக் கட்டங்களை மட்டுமே உள்ளடக்குகிறது. அடிப்படை மாதிரிக்காக DeepSeek செலவிட்ட ஏறத்தாழ 6 மில்லியன் டாலர்களுக்கு மேல் இது கூடுதல் என்று Nature க்காக எழுதிய Scientific American குறிப்பிடுகிறது. DeepSeek-V3 இல் 671 பில்லியன் அளவுருக்கள் உள்ளன என்றும், ஒவ்வொரு டோக்கனுக்கும் அவற்றில் 37 பில்லியன் செயலில் இருக்கும் என்றும், அது 14.8 டிரில்லியன் டோக்கன்களில் பயிற்றுவிக்கப்பட்டது என்றும் துணைப் பக்கங்கள் விவரிக்கின்றன.
மதிப்பாய்வாளர்கள் கேட்டவை, மாறியவை
கையெழுத்துப் படி 2025 பிப்ரவரி 14 அன்று பெறப்பட்டது, 2025 ஜூலை 17 அன்று ஏற்கப்பட்டது, 2025 செப்டம்பர் 17 அன்று வெளியிடப்பட்டது. எட்டு நிபுணர்கள் அதை மதிப்பாய்வு செய்தனர் என்றும், அறிக்கைகளும் பதில்களும் அதனுடன் வெளியிடப்பட்டன என்றும் Nature இன் தலையங்கம் கூறுகிறது. பெயர் குறிப்பிடப்பட்ட மதிப்பாய்வாளர்களில் ஒருவரான Hugging Face இன் லூயிஸ் டன்ஸ்டால், இந்த நடைமுறை “a very welcome precedent” என்று Nature இடம் கூறினார். ஓஹியோ மாநிலப் பல்கலைக்கழகத்தின் ஹுவான் சன், “Other firms should do the same” என்று சொன்னார்.
பல மாற்றங்கள் ஆவணப்படுத்தப்பட்டுள்ளன. மாதிரியின் இடைநிலை உரையை மனிதச் சொற்களில் விவரிப்பதைக் குறைக்குமாறு ஒரு மதிப்பாய்வாளர் வலியுறுத்தினார். ஆசிரியர்கள் அந்தச் சொல்லாடலை நீக்கினர்; மனிதரைப் போன்ற வடிவங்கள் பயனர்கள் வெளியீட்டை அளவுக்கு மீறி நம்புவதற்கு வழிவகுக்கலாம் என்று தங்கள் பதிலில் ஒப்புக்கொண்டு, அந்த இடரைத் திருத்திய உரையில் சேர்த்தனர். மாசுபடுதல் பற்றியும் மதிப்பாய்வாளர்கள் கேட்டனர்; அதாவது சோதனைக் கேள்விகள் பயிற்சித் தரவுக்குள் கசிவது (AI அளவுகோல்கள் மீதான தணிக்கைகள் உருவாக்குநர்களின் எண்கள் ஏன் எச்சரிக்கையுடன் படிக்கப்படுகின்றன என்பதைக் காட்டுகின்றன). Nature இன் தலையங்கத்தின்படி, DeepSeek தன் பாதுகாப்பு ஏற்பாடுகளின் விவரங்களை அளித்தது, மாதிரி வெளியான பிறகு வெளியிடப்பட்ட அளவுகோல்களில் மதிப்பீடுகளையும் சேர்த்தது. துணைப் பக்கங்கள், AIME 2025 இல் 75% என்றும் OpenAI இன் o1-1217 க்கு 80% என்றும், AMC 12 2024 போட்டியில் 150க்கு 143.7 என்றும் o1-1217 க்கு 141.0 என்றும் தெரிவிக்கின்றன; அனைத்தும் DeepSeek இன் சொந்தச் சோதனைகளில். மாசுபடுதலுக்கு எதிராகப் பயன்படுத்தப்படும் n-gram வடிகட்டல், மாற்றி எழுதப்பட்ட சோதனைக் கேள்விகளைப் பிடிக்க முடியாது என்பதையும் அவை ஒப்புக்கொள்கின்றன; அதனால் 2024க்கு முன் வெளியான அளவுகோல்கள் இன்னும் பாதிக்கப்பட்டிருக்கலாம்.
மூன்றாவது மாற்றம் ஒரு பாதுகாப்புப் பகுதி. பாதுகாப்புச் சோதனைகள் பற்றிய தகவல் இல்லை என்று மதிப்பாய்வாளர்கள் சுட்டிக்காட்டினர் என்று Nature இன் தலையங்கம் கூறுகிறது; ஆய்வறிக்கை இப்போது R1 ஐப் போட்டி மாதிரிகளுடன் ஒப்பிடுகிறது; R1 இன் உள்ளார்ந்த பாதுகாப்பு நிலை மிதமானது, 2024 மே 13 இன் GPT-4o உடன் ஒப்பிடத்தக்கது என்று அது முடிவு செய்கிறது. OpenAI தரவு பற்றிய கேள்வியில், OpenAI மாதிரிகள் உருவாக்கிய பகுத்தறிவு எடுத்துக்காட்டுகளை நகலெடுத்து R1 கற்றுக்கொள்ளவில்லை என்று DeepSeek மதிப்பாய்வாளர்களிடம் கூறியதாகவும், அதே நேரத்தில் தன் அடிப்படை மாதிரி AI உருவாக்கிய உரை இடம்பெறக்கூடிய வலைப்பக்கங்களில் பயிற்றுவிக்கப்பட்டது என்பதை ஒப்புக்கொண்டதாகவும் Scientific American தெரிவிக்கிறது. அந்த மறுப்பை, எந்த வெளியீட்டிலும் நாம் காணக்கூடியதைப் போலவே நம்பத்தக்கது என்று சன் கூறினார்; தன்னால் முழுமையாக உறுதியாக இருக்க முடியாது என்றும், ஆனால் மற்ற ஆய்வகங்களின் மீளுருவாக்க முயற்சிகள் அது இல்லாமலேயே இந்த வழிமுறை செயல்படுகிறது என்று காட்டுகின்றன என்றும் டன்ஸ்டால் கூறினார். பயிற்சித் தரவே வெளியிடப்படவில்லை; மீளுருவாக்கத்துக்கு அது ஒரு வரம்பு என்று ஒரு மதிப்பாய்வாளர் சுட்டிக்காட்டினார்.
தீராதவை என்று ஆசிரியர்கள் பட்டியலிடுபவை
ஆய்வறிக்கையின் சொந்த வரம்புகள் பகுதி பலவற்றைக் குறிப்பிடுகிறது. R1 இன் கட்டமைக்கப்பட்ட வெளியீடு ஏற்கெனவே உள்ள மாதிரிகளை விடப் பலவீனமானது, தேடுபொறிகள் அல்லது கணிப்பான்கள் போன்ற கருவிகளை அதனால் பயன்படுத்த முடியாது. எளிய கேள்விகளுக்கு அது சில நேரங்களில் பல டோக்கன்களைச் செலவிடுகிறது. அது சீனத்துக்கும் ஆங்கிலத்துக்கும் ஏற்றவாறு சீரமைக்கப்பட்டுள்ளது, வேறு மொழியில் கேட்டாலும் ஆங்கிலத்தில் பகுத்தறியக்கூடும். சில எடுத்துக்காட்டுகளுடன் தூண்டுவது அதை மோசமாக்குகிறது, அதனால் சிக்கலை நேரடியாக விவரிக்குமாறு ஆசிரியர்கள் பரிந்துரைக்கின்றனர். மென்பொருள் பொறியியல் சோதனைகள் இயங்க நேரம் எடுப்பதால், பெரிய அளவிலான வலுவூட்டல் கற்றல் அங்கே கிட்டத்தட்டப் பயன்படுத்தப்படவில்லை; அந்த அளவுகோல்களில் DeepSeek-V3 ஐ விட R1 பெரிய முன்னேற்றம் காட்டவில்லை.
இந்த முறைக்கு நம்பகமான சரிபார்ப்பான் தேவை. எழுத்து போன்ற பணிகளில், எந்த விதியாலும் விடைக்கு மதிப்பெண் வழங்க முடியாதபோது, ஆசிரியர்கள் மனிதர்கள் குறிப்புரை எழுதிய தரவையும் நூற்றுக்கணக்கான வலுவூட்டல் படிகளையும் மட்டுமே பயன்படுத்தினர். பொதுத் தரவுக்கான மாதிரி அடிப்படையிலான வெகுமதி, இரண்டாம் கட்டத்தின் 1,700 படிகளில் கடைசி 400 க்கு மட்டுப்படுத்தப்பட்டது; ஏனெனில் நீண்ட நேரம் வெளிப்படுத்தினால் வெகுமதிக் கையாளல் ஏற்பட்டது.
ஆதாரங்களும் மேலும் வாசிக்கவும்
- Guo and others (DeepSeek-AI): DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning, Nature 645, 633 to 638 (17 September 2025)
- Nature: Supplementary Information for the DeepSeek-R1 paper (cost table, evaluation settings, decontamination, fresh test sets)
- Nature: Peer Review File for the DeepSeek-R1 paper (referee reports and author responses)
- arXiv: DeepSeek-R1, Incentivizing Reasoning Capability in LLMs via Reinforcement Learning (arXiv:2501.12948, submitted 22 January 2025, revised 4 January 2026)
- Ippolito and Zhang, Nature News and Views: AI can learn to show its workings through trial and error (17 September 2025)
- Nature editorial: Bring us your LLMs, why peer review is good for AI models (17 September 2025)
- Gibney, Scientific American (with Nature): Secrets of DeepSeek AI model revealed in landmark paper (17 September 2025)
- Wei and others (Google): Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (arXiv:2201.11903, 28 January 2022)
- Kojima and others: Large Language Models are Zero-Shot Reasoners (arXiv:2205.11916, 24 May 2022)
- Lightman and others (OpenAI): Let's Verify Step by Step (arXiv:2305.20050, 31 May 2023)
- Shao and others (DeepSeek): DeepSeekMath, Pushing the Limits of Mathematical Reasoning in Open Language Models (arXiv:2402.03300, 5 February 2024)
- DeepSeek: DeepSeek-R1 model card on Hugging Face (MIT licence, evaluation table)
- DeepSeek API Docs: DeepSeek-R1 Release (20 January 2025)
இந்தக் கட்டுரை AI கருவிகளின் உதவியுடன் ஆராயப்பட்டு எழுதப்பட்டு, துல்லியத்திற்காகத் திருத்தப்பட்டது. இது பொதுத் தகவலுக்கும் விவாதத்திற்கும் மட்டுமே, தொழில்முறை ஆலோசனை அல்ல. எங்கள் ஆசிரியர் தரநிலைகள் மற்றும் பொறுப்புத் துறப்பு ஐப் பார்க்கவும். பிழை கண்டீர்களா? எங்களிடம் சொல்லுங்கள்.
பிடித்ததா? அடுத்ததைப் பெறுங்கள்.
ஒரு நேரத்தில் ஒரு நல்ல கட்டுரை, நேரடியாக உங்கள் இன்பாக்ஸுக்கு. ஸ்பேம் இல்லை, எப்போது வேண்டுமானாலும் நிறுத்தலாம்.