发出疑问——代价是什么？
但这都无法阻挡deepseek的强势。
也许r1在之后的表现会越来越不如其它的大模型，也会发现有非常非常多的缺点，但在现在这个时间段，它无疑是非常强大的。
米国，斯坦福某实验室，凌晨两点。
正在查论文的博士生leo看到ds的那篇论文，出于职业素养，他照例点开看了眼摘要。
不过这一看，他瞬间坐直了身体，睡意全无，几乎是脱口而：“holy*&#$？！”
虽然是凌晨两点，但是因为他们最近在赶论文，所以实验室里还有不少人，这声惊呼引得旁边还在跑实验的同学投来疑惑的目光。
“leo，怎么了？代码又出bug了？”
“我倒是希望代码出bug了，看看这篇文章吧。”他将屏幕转动了一下，让其他人能看得清上面的论文题目。
“r1:redefiningcost-performancetradeoffsinlarge-scalelanguagemodels？”
旁边的同学sarah搜了一下，果然找到了这篇刚刚发布不久的文章。
“这是哪个公司的成果吗？”因为作者的名单上长长一串一般只有公司的文章才会这样。
“就是deepseek，之前他们不是发过一个v3版本的论文吗？当时老板还让我们看过，你不记得了？”
“哦~好像有点印象，怎么，这篇r1有很大的提升吗？”他一边说着一边看向下面的摘要部分。
“reinforcementlearning(强化学习)？这不是和我们现在做的方向一样吗？”不过当他看到第一张图片的时候不由得歪了歪脑袋，发出了同样的惊呼：“holy*&#$？真的假的？”
图片上面显示了，其效果几乎和gpt-o1持平，而且文中写到了其推理成本的二十分之一还不到。
leo苦笑着摇头“不知道，我希望是假的，但我感觉应该是真的。”
搞科研最为悲伤的事情之一——你有了一个很好的idea，并且已经做了一段时间，就在快要有成果的时候，却发现人家已经做出来了，而且比自己做的更好。
好消息：llm有了新的突破，坏消息：你论文白写了。
“哎~没办法，我再看看吧，如果是真的，估计老板肯