ഡീപ്‌സീക്ക്-ആർ1 ന്റെ ചെറിയ വലിപ്പത്തിലുള്ള വാറ്റിയെടുത്ത മോഡലുകൾ, ഡീപ്‌സീക്ക്-ആർ1 ജനറേറ്റ് ചെയ്യുന്ന ചെയിൻ-ഓഫ്-തോട്ട് ഡാറ്റ ഉപയോഗിച്ച് ഫൈൻ-ട്യൂൺ ചെയ്തിരിക്കുന്നു, അതിൽ അടയാളപ്പെടുത്തിയിരിക്കുന്നത്...ടാഗുകൾ, R1 ന്റെ യുക്തിപരമായ കഴിവുകൾ പാരമ്പര്യമായി നേടുന്നു. ഈ ഫൈൻ-ട്യൂൺ ചെയ്ത ഡാറ്റാസെറ്റുകളിൽ പ്രശ്ന വിഘടനം, ഇന്റർമീഡിയറ്റ് ഡിഡക്ഷനുകൾ തുടങ്ങിയ യുക്തിപരമായ പ്രക്രിയകൾ വ്യക്തമായി ഉൾപ്പെടുന്നു. R1 സൃഷ്ടിച്ച യുക്തിപരമായ ഘട്ടങ്ങളുമായി വാറ്റിയെടുത്ത മോഡലിന്റെ പെരുമാറ്റ രീതികളെ റൈൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് വിന്യസിച്ചു. ഈ വാറ്റിയെടുക്കൽ സംവിധാനം ചെറിയ മോഡലുകൾക്ക് കമ്പ്യൂട്ടേഷണൽ കാര്യക്ഷമത നിലനിർത്താനും വലിയ മോഡലുകളുടേതിന് സമീപം സങ്കീർണ്ണമായ യുക്തിപരമായ കഴിവുകൾ നേടാനും അനുവദിക്കുന്നു, ഇത് റിസോഴ്‌സ്-പരിമിത സാഹചര്യങ്ങളിൽ ഗണ്യമായ പ്രയോഗ മൂല്യമുള്ളതാണ്. ഉദാഹരണത്തിന്, 14B പതിപ്പ് യഥാർത്ഥ DeepSeek-R1 മോഡലിന്റെ കോഡ് പൂർത്തീകരണത്തിന്റെ 92% കൈവരിക്കുന്നു. ഈ ലേഖനം DeepSeek-R1 വാറ്റിയെടുത്ത മോഡലിനെയും വ്യാവസായിക എഡ്ജ് കമ്പ്യൂട്ടിംഗിലെ അതിന്റെ പ്രധാന ആപ്ലിക്കേഷനുകളെയും പരിചയപ്പെടുത്തുന്നു, ഇനിപ്പറയുന്ന നാല് ദിശകളിൽ, നിർദ്ദിഷ്ട നടപ്പാക്കൽ കേസുകളോടൊപ്പം സംഗ്രഹിച്ചിരിക്കുന്നു: