在国产大模型发展历程中，DeepSeek-R1无疑是一个具有里程碑意义的存在。自其发布以来，便在全球舞台上崭露头角，引领国产大模型开启开源新时代，至今已走过一年的时光。而近日，开发者社区因DeepSeek的一次存储库更新而沸腾起来——一个全新的“model 1”模型被曝光，引发了众人对其身份的猜测，不少人认为它极有可能就是备受期待的DeepSeek-R2。
在DeepSeek的开源项目FlashMLA库代码片段中，明确引用了“MODEL1”，同时还伴随针对KV缓存的新优化以及576B步幅的稀疏FP8解码支持。FlashMLA作为DeepSeek的优化注意力内核库，此前一直为DeepSeek-V3和DeepSeek-V3.2-Exp模型提供支持。此次项目里大约有28处提到“model 1”，这无疑被解读为新模型即将发布的强烈信号。而且，这一爆料恰逢DeepSeek-R1发布一周年，时间上的巧合更增添了神秘色彩。
回顾DeepSeek-R1，它作为开源推理模型，曾与OpenAI的o1相匹敌，甚至登顶iOS App Store，彻底改变了开源AI社区的格局。它并非当时最强的模型，却有着独特的意义，主要体现在降低了三重壁垒。在技术壁垒方面，R1公开分享推理路径和后训练方法，将曾经封闭在API背后的高级推理能力，转化为可下载、可蒸馏、可微调的工程资产，许多团队无需从头训练大模型就能获得强大推理能力，推动了行业重新思考模型能力与计算成本的关系，在中国算力受限的环境中意义重大。
在采用壁垒上，R1以MIT许可证发布，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纷纷将R1投入生产，蒸馏、二次训练和领域适应成为常规工程工作，模型迅速扩散到云平台和工具链中，社区讨论重点也从“哪个模型分数更高”转向“如何部署、降低成本并集成到实际系统”。久而久之，R1从研究产物转变为可复用的工程基础。
在心理层面，当问题从“我们能做这个吗？”转变为“我们如何做好这个？”时，许多公司的决策发生了变化。对中国AI社区而言，这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至关重要。这三个壁垒的降低，意味着生态系统开始具备自我复制的能力。
从技术突破来看，DeepSeek-R1的关键并非单点技巧，而是一整套系统性设计。它以推理优先为训练目标，在传统SFT/RLHF体系中，最终答案的“正确性”是唯一目标，而R1引入了更细粒度的信号。其训练数据不追求百科全书式的覆盖，而是高度聚焦数学与逻辑推导、可验证的复杂任务，答案不重要，过程才是关键，这使得R1在数学、代码、复杂推理上呈现出“跨尺度跃迁”。同时，R1并非简单“更会写CoT”，而是在内部形成了稳定的推理状态转移结构，让推理成为内生能力。
DeepSeek-R1的出现带来了诸多改变。它改变了对“对齐”的理解，让人们意识到对齐不仅是价值对齐，也是认知过程的对齐；改变了对开源模型的想象空间，证明开源模型在推理维度可以成为范式定义者，极大激活了社区对“Reasoning LLM”的探索热情；改变了工程师与模型的协作方式，当模型开始“展示思路”，人类从提问者变为合作者。如今，虽然推理能力仍有明显上限，长链路思考成本依旧高昂，但DeepSeek-R1所选择的方向无疑是正确的，它的故事仍在继续书写。
