Loading...
DeepSeek-R1：通过增强学习激励LLM中的推理能力
机构名称：

DeepSeek-R1：通过增强学习激励LLM中的推理能力

¥ 1.0
热度

•分数：MMLU的90.8％，MMLU-PRO的84.0％，GPQA钻石的71.5％。•胜过DeepSeek-v3，但尾随OpenAI-O1-1217。•与其他封闭式模型相比，教育任务擅长于教育任务。SimpleQA：胜过DeepSeek-V3，展示了强大的事实查询处理。

添加pdf代下载 VIP点击下载文件

DeepSeek-R1：通过增强学习激励LLM中的推理能力

Facebook Twitter Instagram Mail

主要关键词

DeepSeek-R1：通过增强学习激励LLM中的推理能力PDF文件第1页

DeepSeek-R1：通过增强学习激励LLM中的推理能力PDF文件第2页

DeepSeek-R1：通过增强学习激励LLM中的推理能力PDF文件第3页

DeepSeek-R1：通过增强学习激励LLM中的推理能力PDF文件第4页

DeepSeek-R1：通过增强学习激励LLM中的推理能力PDF文件第5页

相关文件推荐

DeepSeek-R1：通过增强学习激励LLM中的推理能力
2025 年

DeepSeek-R1：通过增强学习激励LLM中的推理能力

¥2.0
DeepSeek-R1：通过增强学习激励LLM中的推理能力
2025 年

DeepSeek-R1：通过增强学习激励LLM中的推理能力

¥2.0
CSPNet：可增强 CNN 学习能力的新骨干
1900 年

CSPNet：可增强 CNN 学习能力的新骨干

¥1.0
增强学习
2021 年

增强学习

¥3.0
增强学习
2023 年

增强学习

¥1.0
增强学习
2024 年

增强学习

¥2.0
二元增强学习
2023 年

二元增强学习

¥2.0
通过增强学习
1900 年

通过增强学习

¥1.0
增强学习
2024 年

增强学习

¥5.0
逆增强学习
2019 年

逆增强学习

¥3.0
使用中性粒子回归增强基于能力的学习
2025 年

使用中性粒子回归增强基于能力的学习

¥1.0
利用人工智能增强教学和学习能力...
2024 年

利用人工智能增强教学和学习能力...

¥1.0
一般和定量推理能力
2024 年

一般和定量推理能力

¥3.0
无模型增强学习
2019 年

无模型增强学习

¥5.0
激励学员学习。
2011 年

激励学员学习。

¥1.0
通过微小的增强学习
2024 年

通过微小的增强学习

¥1.0
离线增强学习
2024 年

离线增强学习

¥7.0
增强学习中的评估
2024 年

增强学习中的评估

¥7.0
进化增强学习
2024 年

进化增强学习

¥1.0
通过直接Q功能优化增强语言模型的多步推理能力
2025 年

通过直接Q功能优化增强语言模型的多步推理能力

¥2.0
技术增强学习
2023 年

技术增强学习

¥1.0
增强诊断能力
2023 年

增强诊断能力

¥1.0
第 5 章 推理和人类的推理能力
2020 年

第 5 章 推理和人类的推理能力

¥3.0
增强学习（Comp-579）
2024 年

增强学习（Comp-579）

¥3.0
基于LLM的多代理增强学习
2024 年

基于LLM的多代理增强学习

¥1.0
增强人类偏好的学习
2024 年

增强人类偏好的学习

¥1.0
通过反优化的离线增强学习
2024 年

通过反优化的离线增强学习

¥2.0
增强学习24-25
2025 年

增强学习24-25

¥1.0
运动期间的增强学习
2024 年

运动期间的增强学习

¥4.0
运动期间的增强学习
2024 年

运动期间的增强学习

¥1.0