DeepSeek-R1发布一周年之际，其开源项目FlashMLA更新暗示MODEL1(可能是R2)即将推出。R1通过降低技术、采用和心理三重壁垒，将高级推理能力转变为可复用工程资产，采用推理优先训练目标聚焦数学与逻辑推导，形成稳定推理结构。它改变了人们对"对齐"的理解、开源模型的想象空间及人机协作方式，但推理能力仍有提升空间，故事仍在继续。

---

2025年1月20日，DeepSeek-R1正式发布。从此，国产大模型第一次走到了全球舞台的核心位置，开启了开源时代。

而就在今天深夜，开发者社区沸腾了：DeepSeek的一个存储库进行更新，引用了一个全新的「model 1」模型。

DeepSeek-R1一年了，但DeepSeek-R2还没来。

而这个被爆出的MODEL1，极有可能就是R2！

在DeepSeek的开源项目FlashMLA库代码片段明确引用了「MODEL1」，并且伴随针对KV缓存的新优化，和576B步幅的稀疏FP8解码支持。

FlashMLA是DeepSeek的优化注意力内核库，为DeepSeek-V3和DeepSeek-V3.2-Exp模型提供支持。

项目里，大约有28处提到model 1。

上下滑动查看

这可以被解读为新模型即将发布的明确信号。

巧的是，这个爆料正好赶在DeepSeek-R1发布一周年（2025年1月20日）。

R1作为开源推理模型，曾匹敌OpenAI o1并登顶iOS App Store，此后彻底改变了开源AI社区。

MODEL1即便不是R2，也意义非凡，毕竟FlashMLA是DeepSeek优化的注意力核心算法库。

FlashMLA是DeepSeek为Hopper架构GPU（如H800）优化的MLA（Multi-head Latent Attention）解码内核。

在推理层代码中提及新模型ID，往往意味着该新模型（代号为Model1）将继续复用或改进现有的MLA架构。

这表明 DeepSeek 团队正紧锣密鼓地推进新模型的推理适配工作，FlashMLA 作为其核心推理优化的地位依然稳固。

过去，DeepSeek的确遇到了一些麻烦。

本月15日，国外媒体报道，去年在研发其新一代旗舰模型时，DeepSeek在算力上碰到了一点麻烦。但DeepSeek及时调整了策略，取得了进展，并正准备在「未来几周内」推出这款新模型。

HuggingFace：

DeepSeek如何改变开源AI

HuggingFace在DeepSeek R1发布一周年之际，发文解释了DeepSeek如何改变了开源AI。

R1并不是当时最强的模型，真正意义而在于它如何降低了三重壁垒。

首先是技术壁垒。

通过公开分享其推理路径和后训练方法，R1将曾经封闭在API背后的高级推理能力，转变为可下载、可蒸馏、可微调的工程资产。

许多团队不再需要从头训练大模型就能获得强大的推理能力。推理开始表现得像一个可复用的模块，在不同的系统中反复应用。这也推动行业重新思考模型能力与计算成本之间的关系，这种转变在中国这样算力受限的环境中尤为有意义。

其次是采用壁垒。

R1以MIT许可证发布，使其使用、修改和再分发变得简单直接。原本依赖闭源模型的公司开始直接将R1投入生产。蒸馏、二次训练和领域适应变成了常规的工程工作，而非特殊项目。

随着分发限制的解除，模型迅速扩散到云平台和工具链中，社区讨论的重点也从「哪个模型分数更高」转向了「如何部署它、降低成本并将其集成到实际系统中」。

久而久之，R1超越了研究产物的范畴，成为了可复用的工程基础。

第三个变化是心理层面的。

当问题从「我们能做这个吗？」转变为「我们如何做好这个？」时，许多公司的决策都发生了变化。

对中国AI社区而言，这也是一个难得的、获得全球持续关注的时刻，对于一个长期被视为跟随者的生态系统来说，这一点至关重要。

这三个壁垒的降低共同意味着，生态系统开始获得了自我复制的能力。

DeepSeek-R1一周年

今天，让我们回到原点，回顾DeepSeek-R1诞生的一年。

在R1之前，大模型的进化方向几乎只有一个，更大的参数规模、更多的数据……

但是，模型真的在思考吗？

这个问题，就是DeepSeek-R1的起点。

它不是让让模型回答得更快，而是刻意让它**慢下来，**慢在推理链条的展开，慢在中间状态的显式表达。

从技术上看，DeepSeek-R1的关键突破，并不在某一个单点技巧，而在一整套系统性设计。

推理优先的训练目标

在传统SFT/RLHF体系中，最终答案的「正确性」是唯一目标。R1 则引入了更细粒度的信号。这也是第一次，模型

高密度推理数据，而非高密度知识

R1的训练数据，不追求百科全书式的覆盖，而是高度聚焦在数学与逻辑推导、可验证的复杂任务。

总之，答案不重要，过程才重要。因此，R1才在数学、代码、复杂推理上，呈现出「跨尺度跃迁」。

推理过程的**「内化」，而不是复读****模板**

一个常见误解是：R1只是「更会写CoT」。

但真正的变化在于：模型并不是在复读训练中见过的推理模板，而是在内部形成了稳定的推理状态转移结构。

从此，推理不再是外挂，而是内生能力。

一年之后：R1改变了什么？

首先，它改变了对「对齐」的理解。

R1之后，我们开始意识到，对齐不仅是价值对齐，也是认知过程的对齐。

第二，它改变了我们对开源模型的想象空间。

R1证明：在推理维度，开源模型不是追随者，而可以成为范式定义者。这极大激活了社区对「Reasoning LLM」的探索热情。

第三，它改变了工程师与模型的协作方式。

当模型开始「展示思路」，人类就不再是提问者，而是合作者。

回到今天：R1仍然是一条未走完的路。

一周年，并不是终点。

我们仍然清楚地知道：推理能力还有明显上限，长链路思考仍然昂贵

但正如一年前做出 R1 的那个选择一样——真正重要的，不是已经解决了什么，而是方向是否正确。

DeepSeek-R1的故事，还在继续。

而这一年，只是序章。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓