18 सितम्बर 2025 को टेक्नोलॉजी की दुनिया में बहुत बड़ा बदलाव आया है। चीनी AI स्टार्टअप DeepSeek ने अपने शक्तिशाली और सस्ते मॉडल R1 की ट्रेनिंग जानकारी शोधपत्र के ज़रिए सबके सामने रख दी है। साइंस जर्नल Nature में पब्लिश हुई स्टडी ने बताया कि DeepSeek R1 को केवल reinforcement learning से तैयार किया गया है और इसमें करोड़ों की जगह, कुछ लाख डॉलर ही लगे। अब DeepSeek R1 मॉडर्न AI प्रगति की मिसाल बन गया है, जिसने OpenAI जैसे दिग्गजों को भी पीछे छोड़ दिया है। इस breakthrough ने AI को आम आदमी और छोटे बिज़नेस के लिए भी accessible बना दिया है।
Pure Reinforcement Learning का जादू
DeepSeek R1 को बनाने में टीम ने pure reinforcement learning की strategy अपनाई। आज तक ज्यादातर मॉडल human का बनाया data copy करते थे, लेकिन इस बार मशीन खुद सही जवाब खोजने के लिए reward पाती है। इसकी वजह से DeepSeek R1 ने अपने हिसाब से reasoning और logic खुद develop किया, जिसमें वो अलग तरह की verification भी कर सकती है। Group Relative Policy Optimization (GRPO) technique का इस्तेमाल हुआ, जिससे मॉडल अपनी performance खुद आंक सकता है — एक्सपर्ट के हिसाब से ये तरीका 2025 की सारी AI research के लिए inspiration बन चुका है।
पाँच स्टेज की ट्रेंनिंग: डीपसीक R1 की Recipe
R1 का ट्रेनिंग प्रोसेस पाँच अलग-अलग stages में हुआ, जिसमें supervised fine-tuning और reinforcement learning बारी-बारी से शामिल थे। सबसे पहले DeepSeek V3-Base मॉडल को हजारों cold-start data points से fine-tune किया गया। उसके बाद pure reinforcement learning लागू हुई, जिससे reasoning efficiency और creativity बढ़ी। पूरा सिस्टम model-generated synthetic data का use करता है–मतलब कि खुद के successful example चुनकर उनके साथ supervised data मिलाया जाता है। इससे AI writing, question-answering और factual tasks में भी मास्टर हो गई।
Peer Review में पास होकर बनी मिसाल
R1 का ट्रेनिंग प्रोसेस पाँच अलग-अलग stages में हुआ, जिसमें supervised fine-tuning और reinforcement learning बारी-बारी से शामिल थे। सबसे पहले DeepSeek V3-Base मॉडल को हजारों cold-start data points से fine-tune किया गया। उसके बाद pure reinforcement learning लागू हुई, जिससे reasoning efficiency और creativity बढ़ी। पूरा सिस्टम model-generated synthetic data का use करता है–मतलब कि खुद के successful example चुनकर उनके साथ supervised data मिलाया जाता है। इससे AI writing, question-answering और factual tasks में भी मास्टर हो गई।
