Công ty AI Trung Quốc DeepSeek vừa gây bão cộng đồng khi công bố DeepSeek R1-Zero, một phiên bản đặc biệt của chuỗi mô hình R1. Điểm khác biệt nằm ở việc loại bỏ hoàn toàn quá trình học dựa trên mẫu (distillation) từ các mô hình lớn hơn. Thay vào đó, R1-Zero sử dụng kỹ thuật "self-rewarding" (tự sinh phần thưởng), nơi mô hình tự đánh giá chất lượng suy luận của mình và điều chỉnh trọng số dựa trên đó.
Thử nghiệm cho thấy R1-Zero đạt được hiệu suất suy luận toán học tương đương với R1 thông thường nhưng chỉ tốn khoảng 10% lượng năng lượng và dữ liệu cần thiết. Phương pháp này được coi là một bước đột phá trong việc giải quyết vấn đề "lạm phát token" (token inflation) - hiện tượng các mô hình suy luận thường sinh ra hàng nghìn token không cần thiết để "nhẩm tính" trước khi trả lời. R1-Zero được tối ưu hóa để đi thẳng vào kết quả, giúp tiết kiệm thời gian phản hồi đáng kể.
Nhiều nhà nghiên cứu độc lập trên Hugging Face đã tải xuống và chạy thử nghiệm R1-Zero. Kết quả ban đầu cho thấy mô hình này cực kỳ mạnh mẽ trong các bài toán logic và quy trình mã hóa phức tạp. Tuy nhiên, có một số báo cáo cho rằng khả năng viết sáng tạo (creative writing) của R1-Zero kém hơn so với các mô hình thông thường do thiên lệch dữ liệu tập trung vào logic chặt chẽ.
Việc công bố mã nguồn và công thức (recipe) đào tạo của R1-Zero đã tạo ra làn sóng trao đổi học thuật mạnh mẽ. Các phòng thí nghiệm AI tại Stanford và MIT đang bắt tay vào phân tích sâu về cơ chế "self-rewarding" này để áp dụng cho các lĩnh vực khác ngoài toán học và lập trình. Đây được xem là bằng chứng rõ ràng nhất cho thấy AI suy luận (Reasoning AI) đang tiến hóa nhanh chóng về mặt hiệu quả tính toán.