DeepSeek-R1: Incentivizing Reasoning Capability via RLPDF Download

DeepSeek-R1 探索用強化學習改善語言模型推理，討論不先做監督微調的路線，以及更完整的多階段訓練流程。

兩條路線的對照，比單個分數更有信息。讀的時候，留意推理能力、可讀性、語言混用和訓練樣本處理之間的取捨。