చిత్రణ: tuput
తెలుగు
DeepSeek R1 పత్రం 2025 సెప్టెంబర్ 17న నేచర్లో వచ్చింది (సంపుటి 645, పేజీలు 633 నుంచి 638). మనుషులు రాసిన ఆదర్శ ఉదాహరణలను అనుకరించాల్సిన అవసరం లేకుండా, సరైన తుది జవాబులకే బహుమతి ఇస్తే భాషా మోడల్ పొడవైన, తనను తాను తనిఖీ చేసుకునే పరిష్కారాలు రాయడం నేర్చుకోగలదని అది నివేదిస్తుంది. ఎనిమిది మంది సమీక్షకుల నివేదికలను, రచయితల సమాధానాలను కూడా పత్రిక ప్రచురించింది.
2025 సెప్టెంబర్ 17న నేచర్ పత్రిక, హాంగ్జౌకు చెందిన DeepSeek కంపెనీ రీజనింగ్ మోడల్ DeepSeek-R1 వెనుక ఉన్న పత్రాన్ని 645వ సంపుటిలో 633 నుంచి 638 పేజీల్లో ప్రచురించింది. దాని ప్రధాన ఫలితం ఏమిటంటే, అనుకరించడానికి మనుషులు రాసిన ఆదర్శ ఉదాహరణలు లేకుండా, సరైన తుది జవాబులకే బహుమతి ఇస్తే భాషా మోడల్ పొడవైన, తనను తాను తనిఖీ చేసుకునే పరిష్కారాలను రాయడం నేర్చుకోగలదు. జవాబులు ఒకే సంఖ్య అయ్యే, ఉన్నత పాఠశాల విద్యార్థుల కోసం అమెరికా గణిత పోటీ అయిన 2024 అమెరికన్ ఇన్విటేషనల్ మ్యాథమెటిక్స్ ఎగ్జామినేషన్ (AIME)లో, మోడల్ తొలి వెర్షన్ R1-Zero సగటున 15.6% సరైన జవాబుల నుంచి శిక్షణ సమయంలో 77.9%కు పెరిగిందని పత్రం ఫిగర్ 1 చెబుతోంది. నమూనా జవాబుల్లో మెజారిటీ ఓటు దాన్ని 86.7%కు పెంచింది.
నేచర్ సమీక్షకుల నివేదికలను, రచయితల సమాధానాలను పత్రంతో పాటు ప్రచురించింది, దాని అనుబంధ పేజీలు శిక్షణ బిల్లును ఇస్తాయి: రచయితలు ఊహించిన GPU అద్దె ధర వద్ద 294,000 డాలర్లు. ఇలాంటి మోడల్కు ఎలా శిక్షణ ఇస్తారో, ప్రతి ఆలోచన ఎక్కడి నుంచి వచ్చిందో, పీర్ రివ్యూ ఏమి మార్చిందో ఇకపై వివరిస్తాము.
పత్రం ఏమి చెబుతోంది
R1-Zero DeepSeek-V3 బేస్ నుంచి మొదలవుతుంది; అది అప్పటికే వెబ్ టెక్స్ట్పై ముందస్తు శిక్షణ పొందిన మోడల్ (ముందస్తు శిక్షణ దశ గురించి మా శిక్షణ వివరణలో ఉంది). తర్వాత రచయితలు రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ను వర్తింపజేశారు; ఇది ప్రయత్నం, పొరపాటు పద్ధతి, ఇందులో మోడల్ సొంత జవాబులకు స్కోర్ ఇస్తారు, ఎక్కువ స్కోర్ వచ్చినవాటి వైపు మోడల్ను నెడతారు. మోడల్ అనుకరించడానికి మనుషులు ఆదర్శ ఉదాహరణలు ఇచ్చే సాధారణ సూపర్వైజ్డ్ ఫైన్-ట్యూనింగ్ దశను వారు వదిలేశారు. బహుమతి కేవలం తుది జవాబు తెలిసిన సరైన జవాబుతో సరిపోయిందా లేదా అనే దానిపైనే ఆధారపడింది. రూపంపై ఉన్న ఏకైక సూచన, మోడల్ తన తర్కాన్ని థింక్ ట్యాగ్ల మధ్య, జవాబును ఆన్సర్ ట్యాగ్ల మధ్య ఉంచాలని కోరే ఒక మూసే.
శిక్షణలో జవాబులు పొడవయ్యాయని, తనిఖీ, పునఃపరిశీలన, ప్రత్యామ్నాయ విధానాల అన్వేషణ వాటిలో చేరడం మొదలైందని, అయితే ఎలా తర్కించాలో రచయితలు మోడల్కు స్పష్టంగా నేర్పలేదని పత్రం చెబుతోంది. R1-Zeroకు లోపాలు ఉన్నాయి: దాని టెక్స్ట్ చదవడం కష్టంగా ఉండేది, కొన్నిసార్లు ఒకే జవాబులో ఇంగ్లీష్, చైనీస్ కలిసేవి. అందువల్ల బృందం DeepSeek-R1ను దశలవారీగా నిర్మించింది. అది సంభాషణ శైలిలో రాసిన వేల కోల్డ్-స్టార్ట్ ఉదాహరణలతో మొదలవుతుంది, రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ను చేరుస్తుంది, తర్వాత రెజెక్షన్ శాంప్లింగ్ (మోడల్ మంచి అవుట్పుట్లను మాత్రమే ఉంచడం) తో రెండో రౌండ్ సూపర్వైజ్డ్ ఫైన్-ట్యూనింగ్ చేస్తుంది, ఉపయోగకరత్వం, హానిరహితత్వం లక్ష్యంగా రెండో రీఇన్ఫోర్స్మెంట్ దశతో ముగుస్తుంది.
DeepSeek విడుదల నోట్ మోడల్ తేదీని 2025 జనవరి 20గా చెబుతుంది, కోడ్, మోడళ్లు MIT లైసెన్స్తో ఉన్నాయని, ఆరు చిన్న డిస్టిల్డ్ మోడళ్లనూ విడుదల చేశారని అంటుంది. మోడల్ కార్డ్లో, ప్రతి ప్రశ్నకు 64 నమూనా జవాబులతో, టెంపరేచర్ 0.6 వద్ద, R1కు AIME 2024లో 79.8%ని, అది ఆధారంగా నిర్మించిన DeepSeek-V3కు 39.2%ని DeepSeek జాబితా చేస్తుంది. మోడల్ వారసుల గురించి చైనా ఓపెన్-వెయిట్ మోడళ్లపై మా కథనంలో ఉంది. 2026 నవంబర్ 12న మేము తెరిచినప్పుడు మోడల్ హగ్గింగ్ ఫేస్ పేజీ తన జీవితకాలంలో సుమారు 5.15 కోట్ల డౌన్లోడ్లను చూపింది.
పత్రం ఆధారపడిన మూడు పూర్వ ఆలోచనలు
మోడల్ తన దశలను రాస్తే బాగా పనిచేస్తుందనే ఆలోచన మొదట ప్రాంప్టింగ్ నుంచి వచ్చింది. జేసన్ వీ, గూగుల్ సహచరులు చైన్-ఆఫ్-థాట్ పత్రాన్ని 2022 జనవరి 28న పోస్ట్ చేశారు. 540 బిలియన్ పారామీటర్ల మోడల్ కేవలం ఎనిమిది ఆదర్శ ఉదాహరణలు చూపిస్తే, పాఠశాల గణిత పద సమస్యల సమితి GSM8Kలో అత్యాధునిక కచ్చితత్వాన్ని చేరిందని వారు నివేదిస్తారు. 2022 మే 24న తకేషి కోజిమా, సహచరులు “లెట్స్ థింక్ స్టెప్ బై స్టెప్” అనే మాటలు చేర్చడం ఒక పెద్ద మోడల్ కచ్చితత్వాన్ని MultiArithలో 17.7% నుంచి 78.7%కు, GSM8Kలో 10.4% నుంచి 40.7%కు పెంచిందని చూపారు, ఒక్క ఉదాహరణ కూడా లేకుండా.
మూడో పోగు దశలపైనే ఇచ్చే ఫీడ్బ్యాక్. 2023 మే 31న పోస్ట్ చేసిన పత్రంలో, ఓపెన్ఏఐ పరిశోధకులు కేవలం తుది ఫలితానికి బహుమతి ఇవ్వడాన్ని, ప్రతి మధ్యంతర దశకు బహుమతి ఇవ్వడంతో పోల్చారు. దశ స్థాయి ఫీడ్బ్యాక్ MATH డేటాసెట్పై గెలిచింది, ఉత్తమ మోడల్ ప్రాతినిధ్య ఉపసమితిలో 78% పరిష్కరించింది, బృందం PRM800Kని విడుదల చేసింది, అంటే మనుషులు రాసిన 800,000 దశ స్థాయి లేబుళ్లు.
వీటన్నిటికీ మనుషులు అవసరమయ్యారు: ఉదాహరణల కోసం, లేదా ప్రతి దశపై లేబుళ్ల కోసం. మనుషులు వ్యాఖ్యానించిన తర్క జాడలపై ఆధారపడటం విస్తరణను నెమ్మదింపజేస్తుందని, మోడల్ చూసిన ఉదాహరణల నాణ్యతకు దాన్ని పరిమితం చేస్తుందని నేచర్ పత్రం పరిచయం వాదిస్తుంది. బహుమతి నుంచి మాత్రమే మంచి తర్క వ్యూహాలను బేస్ మోడల్ కనుగొనగలదా అన్నదే దాని పరీక్ష.
గణిత జవాబును యంత్రం ఎందుకు స్కోర్ చేయగలదు
తర్క పనులపై రచయితలు రెండు రకాల నియమ ఆధారిత బహుమతులు వాడతారు. కచ్చితత్వ బహుమతి జవాబును తనిఖీ చేస్తుంది: గణిత సమస్యకు తుది జవాబు ఒక నిర్దిష్ట రూపంలో, ఉదాహరణకు ఒక పెట్టె లోపల, కావాలి, కాబట్టి ప్రోగ్రామ్ దాన్ని కీతో పోల్చగలదు; కోడ్ను కంపైలర్ ముందే నిర్వచించిన పరీక్ష కేసులతో నడుపుతుంది. ఫార్మాట్ బహుమతి తర్కం ట్యాగ్ల లోపల ఉందో లేదో తనిఖీ చేస్తుంది. ఆ రెండూ సమాన బరువుతో కలుపుతారు.
తర్క పనులపై లెర్న్డ్ రివార్డ్ మోడల్ను, అంటే జవాబులను స్కోర్ చేసే రెండో న్యూరల్ నెట్వర్క్ను, వాడకూడదని వారు ఎంచుకున్నారు. పెద్ద స్థాయి శిక్షణలో అలాంటి మోడళ్లు రివార్డ్ హ్యాకింగ్కు గురవుతాయని, అంటే మోడల్ సమస్యను పరిష్కరించడం కంటే స్కోర్ ఇచ్చేదాన్ని తృప్తిపరచడం నేర్చుకుంటుందని, వాటికి మళ్లీ శిక్షణ ఇవ్వడానికి అదనపు కంప్యూటింగ్ ఖర్చవుతుందని పత్రం చెబుతోంది.
నేర్చుకునే పద్ధతి గ్రూప్ రిలేటివ్ పాలసీ ఆప్టిమైజేషన్, లేదా GRPO. ప్రతి ప్రశ్నకు మోడల్ ఒక సమూహంగా జవాబులు రాస్తుంది, R1-Zero రన్లో 16. ప్రతి జవాబు బహుమతిని సమూహ సగటు, విస్తరణతో పోలుస్తారు, సగటు కంటే పైన ఉన్న జవాబులు ఎక్కువ అవకాశం పొందుతాయి. పాత PPO పద్ధతిలో వాడే ప్రత్యేక వాల్యూ ఫంక్షన్ లేకుండా, సమూహ స్కోర్ల నుంచే అడ్వాంటేజ్ను నేరుగా అంచనా వేస్తుందని నేచర్ పత్రం ఫిగర్ క్యాప్షన్ చెబుతుంది. 2024 ఫిబ్రవరి 5 నాటి DeepSeekMath పత్రంలో DeepSeek బృందం GRPOను పరిచయం చేసింది, అందులో 7 బిలియన్ పారామీటర్ల మోడల్ MATH బెంచ్మార్క్లో 51.7% చేరింది; నేచర్ పత్రం ఆ పనిని ఉటంకించి, దాని మెథడ్స్ విభాగంలో పద్ధతిని వివరిస్తుంది.
R1-Zero 10,400 దశలు శిక్షణ పొందింది. ప్రతి దశ 32 ప్రశ్నలను, ఒక్కోదానికి 16 జవాబులను, అంటే 512 జవాబులను వాడింది; పొడవు పరిమితి 32,768 టోకెన్లు, 8,200వ దశ తర్వాత అది 65,536కు పెంచారు.
శిక్షణ వక్రాలు ఏమి చూపాయి
శిక్షణ సమయంలో సగటు జవాబు పొడవు స్థిరంగా పెరిగిందని, మోడల్ తన పనిని తనిఖీ చేస్తూ వందల నుంచి వేల టోకెన్లు రాసే స్థితికి వచ్చిందని పత్రం నివేదిస్తుంది. దాని ఎక్స్టెండెడ్ డేటా ఫిగర్ అవుట్పుట్లలో “వెయిట్”, “మిస్టేక్”, “వెరిఫై” వంటి ఆత్మపరిశీలన పదాలను లెక్కిస్తుంది. “వెయిట్” అనే పదం తొలి దశల్లో దాదాపు లేదు, 4,000 నుంచి 7,000 దశల మధ్య అప్పుడప్పుడు కనిపించింది, 8,000 దశ తర్వాత గణనీయంగా పెరిగింది. ఒక మధ్యంతర ఉదాహరణను రచయితలు “ఆహా క్షణం” అంటారు.
సమీక్షకులు ఈ వ్యాఖ్యానాన్ని జాగ్రత్తగా చూశారు. ఆ ప్రభావాన్ని మరో బృందం చిన్న స్థాయిలో పునరుత్పత్తి చేసిందని ఒకరు రాశారు, ఆహా క్షణం ఎక్కువగా బేస్ మోడల్ నాణ్యతను ప్రతిబింబించవచ్చని ఒక ప్రత్యేక పత్రం సూచిస్తోందని కూడా అన్నారు. అన్ని మూల్యాంకనాలు తుది జవాబులను మాత్రమే స్కోర్ చేస్తాయని, మధ్యంతర టెక్స్ట్ను కాదని, కాబట్టి రాసిన దశల పొందిక కొలవబడదని మరొకరు గమనించారు. అందువల్ల ఈ వ్యాసం వాటిని మోడల్ రాసే మధ్యంతర దశలుగా వర్ణిస్తుంది, మోడల్ ఆలోచిస్తుందని చెప్పదు.
శిక్షణ బిల్లు దేన్ని కవర్ చేస్తుంది
అనుబంధ సమాచారం R1-Zeroను 101,000 H800 GPU గంటలుగా, ఫైన్-ట్యూనింగ్ డేటా తయారీకి 5,000 గంటలుగా, R1కు 41,000 గంటలుగా, మొత్తం 147,000గా జాబితా చేస్తుంది. GPU గంటకు 2 డాలర్ల ఊహించిన అద్దె ధర వద్ద అది 294,000 డాలర్లు అవుతుంది. రన్ 64 బై 8 H800 GPUలను, అంటే 512 చిప్లను వాడింది, R1-Zeroకు సుమారు 198 గంటలు, R1కు సుమారు 80 గంటలు. ముందుగా 30 బిలియన్ పారామీటర్ల మోడల్పై A100 GPUలతో సిద్ధమయ్యామని రచయితలు చెబుతారు.
ఈ సంఖ్య తర్క దశలను మాత్రమే కవర్ చేస్తుంది. బేస్ మోడల్పై DeepSeek ఖర్చు చేసిన సుమారు 6 మిలియన్ డాలర్లకు ఇది అదనమని నేచర్ కోసం రిపోర్ట్ చేసిన సైంటిఫిక్ అమెరికన్ గమనిస్తుంది. DeepSeek-V3కి 671 బిలియన్ పారామీటర్లు, ప్రతి టోకెన్కు వాటిలో 37 బిలియన్ క్రియాశీలం, 14.8 ట్రిలియన్ టోకెన్లపై శిక్షణ పొందిందని అనుబంధ పేజీలు వర్ణిస్తాయి.
సమీక్షకులు ఏమి అడిగారు, ఏమి మారింది
మాన్యుస్క్రిప్ట్ 2025 ఫిబ్రవరి 14న అందింది, 2025 జూలై 17న ఆమోదం పొందింది, 2025 సెప్టెంబర్ 17న ప్రచురితమైంది. ఎనిమిది మంది నిపుణులు దాన్ని సమీక్షించారని, నివేదికలు, సమాధానాలను దానితో పాటు ప్రచురించారని నేచర్ సంపాదకీయం చెబుతోంది. పేరు చెప్పిన సమీక్షకుల్లో ఒకరైన హగ్గింగ్ ఫేస్కు చెందిన లూయిస్ టన్స్టాల్ ఈ పద్ధతి “చాలా స్వాగతించదగిన పూర్వోదాహరణ” అని నేచర్కు చెప్పారు. ఓహియో స్టేట్ యూనివర్సిటీకి చెందిన హువాన్ సన్, “ఇతర సంస్థలూ ఇలాగే చేయాలి” అన్నారు.
అనేక మార్పులు నమోదయ్యాయి. మోడల్ మధ్యంతర టెక్స్ట్ను మానవ పరిభాషలో వర్ణించడం తగ్గించాలని ఒక సమీక్షకుడు కోరారు. రచయితలు ఆ పదాలను తొలగించారు, తమ సమాధానంలో మనిషి లాంటి నమూనాలు వినియోగదారులు అవుట్పుట్ను అతిగా నమ్మడానికి దారితీయవచ్చని అంగీకరించి, ఆ ప్రమాదాన్ని సవరించిన టెక్స్ట్లో చేర్చారు. పరీక్ష ప్రశ్నలు శిక్షణ డేటాలోకి లీక్ అయ్యే కలుషితం గురించి కూడా సమీక్షకులు అడిగారు (తయారీదారుల సంఖ్యలను ఎందుకు జాగ్రత్తగా చదువుతారో AI బెంచ్మార్క్ల ఆడిట్లు చూపిస్తాయి). నేచర్ సంపాదకీయం ప్రకారం, DeepSeek తన రక్షణల వివరాలను అందించింది, మోడల్ విడుదల తర్వాత ప్రచురించిన బెంచ్మార్క్లపై మూల్యాంకనాలను చేర్చింది. అనుబంధ పేజీలు AIME 2025లో ఓపెన్ఏఐ o1-1217కు 80%కి వ్యతిరేకంగా 75%ను, AMC 12 2024 పోటీలో o1-1217కు 141.0కి వ్యతిరేకంగా 150కి 143.7ను నివేదిస్తాయి, అన్నీ DeepSeek సొంత పరీక్షల్లో. కలుషితానికి వ్యతిరేకంగా వాడిన n-గ్రామ్ ఫిల్టరింగ్ మార్చి రాసిన పరీక్ష ప్రశ్నలను పట్టుకోలేదని, కాబట్టి 2024కు ముందు విడుదలైన బెంచ్మార్క్లు ఇంకా ప్రభావితం కావచ్చని కూడా అవి అంగీకరిస్తాయి.
మూడో మార్పు ఒక భద్రత విభాగం. భద్రత పరీక్షల గురించి సమాచారం లేదని సమీక్షకులు ఎత్తిచూపారని నేచర్ సంపాదకీయం చెబుతోంది, పత్రం ఇప్పుడు R1ను ప్రత్యర్థి మోడళ్లతో పోల్చుతుంది; R1 అంతర్గత భద్రత స్థాయి మధ్యస్థమని, 2024 మే 13 నాటి GPT-4oతో పోల్చదగినదని ముగిస్తుంది. ఓపెన్ఏఐ డేటా ప్రశ్నపై, ఓపెన్ఏఐ మోడళ్లు సృష్టించిన తర్క ఉదాహరణలను కాపీ చేసి R1 నేర్చుకోలేదని DeepSeek సమీక్షకులకు చెప్పిందని, అదే సమయంలో దాని బేస్ మోడల్ AI సృష్టించిన టెక్స్ట్ ఉండే వెబ్ పేజీలపై శిక్షణ పొందిందని అంగీకరించిందని సైంటిఫిక్ అమెరికన్ రిపోర్ట్ చేస్తుంది. ఆ ఖండనను “మనం ఏ ప్రచురణలో చూడగలిగినంత నమ్మదగినది” అని సన్ అన్నారు; తాను పూర్తిగా నిశ్చయంగా ఉండలేనని, కానీ ఇతర ల్యాబ్ల పునరావృత ప్రయత్నాలు ఆ వంటకం అది లేకుండానే పనిచేస్తుందని సూచిస్తున్నాయని టన్స్టాల్ అన్నారు. శిక్షణ డేటాను ప్రచురించలేదు, పునరుత్పత్తి కోసం ఒక సమీక్షకుడు ఎత్తిచూపిన పరిమితి అది.
రచయితలు పరిష్కారం కానివిగా జాబితా చేసినవి
పత్రం సొంత పరిమితుల విభాగం అనేకం పేర్కొంటుంది. R1 నిర్మిత అవుట్పుట్ ఇప్పటికే ఉన్న మోడళ్ల కంటే బలహీనం, సెర్చ్ ఇంజిన్లు, కాలిక్యులేటర్ల వంటి టూల్స్ను అది వాడలేదు. సులభమైన ప్రశ్నలపై కొన్నిసార్లు అది చాలా టోకెన్లు ఖర్చు చేస్తుంది. ఇది చైనీస్, ఇంగ్లీష్కు ట్యూన్ అయింది, మరొక భాషలో అడిగినా ఇంగ్లీష్లో తర్కించవచ్చు. ఫ్యూ-షాట్ ప్రాంప్టింగ్ దాన్ని మరింత దిగజారుస్తుంది, అందువల్ల సమస్యను నేరుగా వర్ణించమని రచయితలు సిఫార్సు చేస్తారు. సాఫ్ట్వేర్-ఇంజనీరింగ్ పరీక్షలు నడవడానికి చాలా సమయం పడుతుంది కాబట్టి, అక్కడ పెద్ద స్థాయి రీఇన్ఫోర్స్మెంట్ లెర్నింగ్ను దాదాపు వర్తింపజేయలేదు, ఆ బెంచ్మార్క్లలో DeepSeek-V3 కంటే R1 పెద్ద లాభం చూపదు.
ఈ పద్ధతికి నమ్మదగిన వెరిఫయర్ అవసరం. జవాబును ఏ నియమమూ స్కోర్ చేయలేని రచన వంటి పనుల కోసం రచయితలు మనుషులు వ్యాఖ్యానించిన డేటాను, కేవలం వందల రీఇన్ఫోర్స్మెంట్ దశలను వాడారు. సాధారణ డేటా కోసం మోడల్ ఆధారిత బహుమతిని రెండో దశలోని 1,700 దశల్లో చివరి 400కు పరిమితం చేశారు, ఎక్కువసేపు వాడితే రివార్డ్ హ్యాకింగ్కు దారితీసిందని.
మూలాలు మరియు మరింత చదవడానికి
- 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)
ఈ వ్యాసం AI సాధనాల సహాయంతో పరిశోధించి రాయబడింది మరియు కచ్చితత్వం కోసం సవరించబడింది. ఇది సాధారణ సమాచారం మరియు చర్చ కోసం మాత్రమే, వృత్తిపరమైన సలహా కాదు. మా సంపాదకీయ ప్రమాణాలు మరియు నిరాకరణ చూడండి. తప్పు కనిపించిందా? మాకు తెలియజేయండి.
నచ్చిందా? తదుపరిది పొందండి.
ఒకసారి ఒక మంచి వ్యాసం, నేరుగా మీ ఇన్బాక్స్కు. స్పామ్ లేదు, ఎప్పుడైనా ఆపవచ్చు.