DeepSeek-R1: Incentivizing Reasoning Capability via RLPDF Download

DeepSeek-R1 探索用强化学习改善语言模型推理，讨论不先做监督微调的路线，以及更完整的多阶段训练流程。

两条路线的对照，比单个分数更有信息。读的时候，留意推理能力、可读性、语言混用和训练样本处理之间的取舍。