第(3/3)页

    R1-Zero成为了一种合成高质量思维链数据的方式，比起孟繁岐刀耕火种的标注和确认，大模型合成的规模和效率显然存在千万倍的潜力。

    “有R1-Zero获取大规模的链路数据，针对思维链的每一个步骤再去分析计算，也就不大必要了。”孟繁岐终于理解了，为什么DeepSeek的成本低到令人发指。

    孟繁岐一直以为，DeepSeek对外开放的API调用价格这么低，只是因为母公司不差钱，没准备用这个服务赚钱。

    由于他们没有互联网大厂天然的用户基础，低价API和免费网页试用，都只是积累用户的前期投入。

    而今细读DeepSeek在参数低bit训练，高倍率权重稀疏，以及批量数据合成等方面的成就。孟繁岐这才明白，原来他们真的已经将成本降低了一个数量级。

    “DeepSeek-R1虽然已经来到了一流级别，但距离现在满血的o1还有一定的差距。我们正在研发的新版本在性能上也更具有领先优势。”

    DS的热度在持续攀升，孟繁岐很快接到了团队的报告。对于这种“我还没输”的分析，他并不认可。

    “性能指标只是纸面上的，如今阶段，两三个点的差距用户在使用的时候已经难以察觉。并且，抛开成本谈性能，实在是耍流氓了。”

    孟繁岐进行过实验性质的超大模型训练，性能确实屡创新高，但推理一个问题的成本就能到几十块乃至上百元。

    试问这样的使用价格，只是几个点的提升又有什么实际的意义呢？

    “DeepSeek的低成本训练大大降低了加入AI领域的门槛，我想很多还在观望的公司都会有所动作。我们应该将策略从技术垄断调转方向，开始侧重为大企业进行实际应用的适配。”

    孟繁岐在历史的转折点做出了重大的决定。

    　　

    


    第(3/3)页