80亿参数干翻2350亿DeepSeek的“以轻驭重”哲学给AI圈上了一课一句话先睹为快DeepSeek的工程化精髓在于“以轻驭重”——R1-0528-Qwen3-8B用80亿参数实现了2350亿参数模型的数学推理水平V4-Flash以2840亿总参数、仅130亿激活参数的MoE架构在Agent能力上反超了自家三个月前的Pro预览版——两者共同回答了同一个问题在算力受限的约束下如何用最小的推理成本获得最强的模型能力你有没有想过——做一个数学推理模型通常需要多大的模型如果你问OpenAI答案可能是千亿参数起步。如果你问Google答案可能是万亿参数的MoE架构。如果你看2024年之前的主流论文答案是“参数越多能力越强”——这个简单粗暴的规律被很多人奉为金科玉律。但DeepSeek说不一定。2025年5月28日DeepSeek发布了一个小版本升级——DeepSeek-R1-0528。这只是一个“小版本升级”不是新架构不是新模型。但它交出了一份让人意外的成绩单一个8B80亿参数的蒸馏模型在AIME 2024数学测试中拿下86.0分来源DeepSeek官方ModelScope页面与参数量高达2350亿的Qwen3-235B-thinking性能相当。80亿干翻2350亿。差距近30倍。这不是孤例。2026年7月31日DeepSeek-V4-Flash正式版API上线公测。这是一个284B总参数、13B激活参数的MoE模型在第三方评测机构Artificial Analysis的智能指数测试中拿下50分来源Artificial Analysis比自家V4-Pro预览版高6分仅比OpenAI的GPT-5.6 Luna低1分。而它的输出价格约为Claude Opus 4.8的1/90来源DeepSeek官方API定价。从“堆参数”到“以轻驭重”DeepSeek正在重新定义AI工程的游戏规则。那么这两个模型到底是怎么做到的它们的源码背后藏着什么设计哲学我们从DeepSeek的开源代码库出发一步步拆解。一、先打个比方DeepSeek就像一支“特种部队”想象你要打赢一场战争。传统的大模型路线像是大规模征兵——你动员100万人千亿参数发给他们标准装备然后推向战场。人多力量大但后勤补给算力成本极其昂贵而且大部分人并不需要时刻都开枪大部分参数未被激活。DeepSeek-R1蒸馏版像是精英教官培养特种兵——你让一位身经百战的老兵教师模型如R1-0528把他毕生的战斗经验推理能力通过一套系统的教学方法蒸馏技术传授给一小批精挑细选的学员学生模型如Qwen3-8B。学员虽然没有老兵的阅历但学会了老兵的核心决策逻辑。DeepSeek-V4-Flash则是一支按需激活的混合部队——你有2840名士兵总参数但每次战斗只派出130人激活参数而且根据战场情况自动选择最合适的6个兵种6个专家。人虽少但全是精锐配合默契行动高效。这就是DeepSeek的“以轻驭重”哲学——用最少的推理成本撬动最强的模型能力。二、R1-0528 蒸馏一个8B模型如何干翻2350B2.1 R1-0528不是架构升级是后训练的革命R1-0528不是新架构。它的模型架构和R1完全一样总参数量684.53B含14B MTP层。那它为什么变强了答案在后训练——DeepSeek在R1-0528的后训练阶段投入了更多算力显著提升了模型的“思维深度”。旧版模型平均每题使用12K tokens推理而新版模型平均每题使用23K tokens来源DeepSeek官方技术说明思考深度近乎翻倍。结果基准测试R1R1-0528提升AIME 2025数学70.0%87.5%25.0%AIME 2024数学79.8%91.4%11.6%LiveCodeBench代码63.5%73.3%9.8%数据来源DeepSeek官方ModelScope页面https://modelscope.cn/models/deepseek-ai/DeepSeek-R1-0528幻觉率方面在改写润色、总结摘要、阅读理解等场景中幻觉率降低了45-50%。关键洞察同一个骨架同一套参数规模仅靠后训练策略的精细化就能产生质的飞跃。这意味着模型能力的上限不仅由架构决定更由训练策略决定。2.2 蒸馏把“老兵的直觉”传给“新兵”蒸馏的核心原理很简单让一个“老师”教一个“学生”。DeepSeek团队用R1-0528作为教师模型蒸馏了它的思维链CoT后训练Qwen3-8B Base得到了DeepSeek-R1-0528-Qwen3-8B。这个8B模型交出的成绩单AIME 202486.0分Pass1AIME 202576.3分超越Qwen3-8B达10.0%与2350亿参数的Qwen3-235B-thinking性能相当一个8B模型数学推理能力追平235B模型——这就是蒸馏的力量。# 文件路径deepseek-r1-distill/models/distillation/losses.py结构示意classDistillationLayer(nn.Module):defforward(self,student_logits,teacher_logits,student_hidden,teacher_hidden):# 1. 输出层蒸馏让学生输出的概率分布接近老师Tself.temp.current_temp# 自适应温度kl_lossKL_div(softmax(student_logits/T),softmax(teacher_logits/T))*T**2# 2. 特征层蒸馏让学生中间层的表示接近老师student_alignedself.feature_adapter(student_hidden)feature_lossMSE(student_aligned,teacher_hidden)returnkl_loss0.1*feature_loss这段代码实现了什么蒸馏不是让学生“抄答案”而是让学生学习老师的思考方式——不仅要输出相似的结果还要在中间层有相似的内部表示。这就是双阶段蒸馏KL散度特征对齐的精髓。2.3 GRPO比PPO更省显存的强化学习对齐在open-r1Hugging Face社区对DeepSeek-R1的完整开源复现中GRPOGroup Relative Policy Optimization的实现在GitHub上已成为强化学习对齐的标准参考实现之一来源open-r1 GitHub仓库。# 文件路径open-r1/src/open_r1/grpo.py结构示意classGRPOTrainer:defcompute_grpo_loss(self,batch):# 1. 对每个prompt采样K个responseK8responses[model.generate(prompt)for_inrange(self.group_size)]# 2. ★ 组内标准化计算advantagerewards_tensortorch.tensor(rewards).view(-1,self.group_size)advantages(rewards_tensor-mean)/(std1e-8)# 组内归一化# 3. 计算策略损失含KL散度惩罚ratioexp(new_logps-old_logps)surrogatemin(ratio*advantages,clip(ratio)*advantages)loss-(surrogate-kl_coef*kl_div).mean()returnlossGRPO相比PPO的优势指标PPOGRPOGPU显存占用基线-35%单轮迭代时间基线-40%总训练时长基线1.8x更快数据来源open-r1 GitHub仓库及GRPO论文三、V4-Flash百万上下文MoE的工程典范如果说R1蒸馏版解决的是“小模型如何变强”那V4-Flash解决的是“大模型如何变便宜”。3.1 架构总览284B总参数13B激活参数V4-Flash的核心数据参数数值总参数量284B2840亿激活参数量13B130亿上下文窗口1M100万token路由专家256个每token激活6个共享专家1个始终激活这意味着什么你的服务器只需要加载13B参数的计算量就能享受到284B参数的知识容量。推理成本约等于13B模型能力却接近284B模型。3.2 源码里的“三把刀”第一把刀混合注意力SWA CSA HCAV4 config.json定义了一套精密的注意力分层策略来源DeepSeek-V4-Flash官方Hugging Face仓库{compress_ratios:[0,0,4,128,4,128,...],sliding_window:128,head_dim:512}43层Transformer被分成三类类型压缩比层数作用SWA滑动窗口02层只看最近128个tokenCSA压缩稀疏注意力421层压缩后选top-kHCA重度压缩注意力12820层极端压缩不稀疏效果处理100万token上下文时复杂度从O(n²)降为O(n)让百万上下文在消费级硬件上成为可能。第二把刀mHC流形约束超连接mHC是V4的核心创新之一。在每层内部输入被拷贝为4条并行残差流通过Sinkhorn-Knopp双随机投影管理流间混合。# 文件路径nano-deepseek-v4/modeling.py社区实现结构示意classDeepSeekV4MHC(nn.Module):defforward(self,x):# 1. 复制为4条并行流streamsx.unsqueeze(1).repeat(1,4,1,1)# [b, 4, s, dim]# 2. Sinkhorn-Knopp双随机化20次迭代projself.sinkhorn_normalize(self.proj)# 3. 流间混合returntorch.einsum(b m s d, m d e - b m s e,streams,proj)直观理解4条流就像4个大脑在不同维度上并行思考每层通过双随机投影交换信息。这相当于给深层网络装上了“稳定器”让模型可以安全地堆到43层。第三把刀双模式MoEHash Learned# 文件路径nano-deepseek-v4/modeling.py社区实现结构示意classDeepSeekV4MoE(nn.Module):def__init__(self,config,layer_idx):self.use_hashlayer_idx3# 前3层用Hash-MoEifself.use_hash:# Hash-MoE: token_id → expert_id查表确定性路由self.hash_tablenn.Embedding(vocab_size,num_experts)else:# Learned Top-K: sqrt(softplus)评分学习型路由self.gatenn.Linear(hidden_size,num_experts)defforward(self,x,input_ids):ifself.use_hash:expert_idsself.hash_table(input_ids)# 确定性选择outputsum(self.experts[idx](x)foridxintop_k_ids)else:scorestorch.sqrt(F.softplus(self.gate(x)))# ★ V4路由top_ktorch.topk(scores,6)outputsum(w*self.experts[idx](x)forw,idxintop_k)outputself.shared_expert(x)# 共享专家始终激活returnoutput路由评分函数演进V3用softmaxV4用sqrt(softplus)。实测表明后者具有更平滑的梯度分布更适合MoE稀疏训练。四、一张图看懂DeepSeek“以轻驭重”的落地路径维度R1蒸馏版V4-Flash核心目标小模型变强大模型变便宜技术手段知识蒸馏 GRPOMoE 混合注意力 mHC参数量8B推理时284B总 / 13B激活部署硬件RTX 3060 8GB2×H20 或 192GB Mac推理成本消费级约Claude Opus 4.8的1/90典型应用数学推理、企业知识库百万上下文分析、复杂Agent两者殊途同归用最少的推理成本获得最强的模型能力。五、避坑指南3个DeepSeek新手常犯的错误陷阱1把R1-0528当成架构升级现象以为R1-0528是比R1更大的模型需要更多的显存。真相R1-0528架构和R1一样只是后训练投入了更多算力。私有化部署时只需更新checkpoint和tokenizer_config.json硬件要求不变。陷阱2用8B蒸馏版处理超长文档现象用R1-0528-Qwen3-8B处理几十万token的长文档出现OOM或生成质量下降。原因R1蒸馏版开源版本的上下文长度是128K来源DeepSeek官方ModelScope页面不是V4的1M。解决长文档场景使用V4-Flash原生1M上下文而非R1蒸馏版。陷阱3在纯CPU上部署V4-Flash 4bit时忽略内存带宽现象纯CPU推理速度极慢每秒只有几个token。原因V4-Flash 4bit模型约161GB来源Unsloth GGUF量化版本即使是纯CPU推理也需要足够的内存带宽。解决最低配置4核16G、ESSD 100G纯CPU可跑但速度慢推荐配置192GB统一内存Mac或2×H20GPU写在最后DeepSeek的工程化精髓可以用四个字概括以轻驭重。它用R1-0528证明了模型能力的提升不只有“堆参数”一条路——精细化后训练可以在同一架构上产生质的飞跃。它用蒸馏版证明了小模型可以通过学习大模型的思维方式达到接近大模型的能力水平——8B干翻2350B不是神话。它用V4-Flash证明了大模型可以设计成“大部分参数休眠、小部分参数激活”的形态——284B总参数推理时只激活13B成本降两个数量级。三个模型一个答案在算力受限的约束下如何用最小的推理成本获得最强的模型能力DeepSeek的回答是不要堆参数。堆策略。堆架构。堆工程。截至2026年8月DeepSeek-R1-0528和DeepSeek-V4-Flash已全面开源MIT许可证在Hugging Face和ModelScope均可下载。如果你正在探索如何用有限的硬件资源部署最强的AI能力它们的源码值得你花一个下午深入读一读。关注我们获取更多AI技术深度解读和开源方案落地案例。如您所在的企业正面临AI技术选型、大模型应用落地或系统架构设计的挑战欢迎进一步沟通。我们可提供针对贵企业具体场景的定制化方案和现场调研服务。数据来源DeepSeek官方ModelScope页面https://modelscope.cn/models/deepseek-ai/DeepSeek-R1-0528、DeepSeek-V4-Flash官方Hugging Face仓库、Artificial Analysis第三方评测、open-r1 GitHub仓库截至2026年8月
80亿参数干翻2350亿DeepSeek的“以轻驭重”哲学给AI圈上了一课一句话先睹为快DeepSeek的工程化精髓在于“以轻驭重”——R1-0528-Qwen3-8B用80亿参数实现了2350亿参数模型的数学推理水平V4-Flash以2840亿总参数、仅130亿激活参数的MoE架构在Agent能力上反超了自家三个月前的Pro预览版——两者共同回答了同一个问题在算力受限的约束下如何用最小的推理成本获得最强的模型能力你有没有想过——做一个数学推理模型通常需要多大的模型如果你问OpenAI答案可能是千亿参数起步。如果你问Google答案可能是万亿参数的MoE架构。如果你看2024年之前的主流论文答案是“参数越多能力越强”——这个简单粗暴的规律被很多人奉为金科玉律。但DeepSeek说不一定。2025年5月28日DeepSeek发布了一个小版本升级——DeepSeek-R1-0528。这只是一个“小版本升级”不是新架构不是新模型。但它交出了一份让人意外的成绩单一个8B80亿参数的蒸馏模型在AIME 2024数学测试中拿下86.0分来源DeepSeek官方ModelScope页面与参数量高达2350亿的Qwen3-235B-thinking性能相当。80亿干翻2350亿。差距近30倍。这不是孤例。2026年7月31日DeepSeek-V4-Flash正式版API上线公测。这是一个284B总参数、13B激活参数的MoE模型在第三方评测机构Artificial Analysis的智能指数测试中拿下50分来源Artificial Analysis比自家V4-Pro预览版高6分仅比OpenAI的GPT-5.6 Luna低1分。而它的输出价格约为Claude Opus 4.8的1/90来源DeepSeek官方API定价。从“堆参数”到“以轻驭重”DeepSeek正在重新定义AI工程的游戏规则。那么这两个模型到底是怎么做到的它们的源码背后藏着什么设计哲学我们从DeepSeek的开源代码库出发一步步拆解。一、先打个比方DeepSeek就像一支“特种部队”想象你要打赢一场战争。传统的大模型路线像是大规模征兵——你动员100万人千亿参数发给他们标准装备然后推向战场。人多力量大但后勤补给算力成本极其昂贵而且大部分人并不需要时刻都开枪大部分参数未被激活。DeepSeek-R1蒸馏版像是精英教官培养特种兵——你让一位身经百战的老兵教师模型如R1-0528把他毕生的战斗经验推理能力通过一套系统的教学方法蒸馏技术传授给一小批精挑细选的学员学生模型如Qwen3-8B。学员虽然没有老兵的阅历但学会了老兵的核心决策逻辑。DeepSeek-V4-Flash则是一支按需激活的混合部队——你有2840名士兵总参数但每次战斗只派出130人激活参数而且根据战场情况自动选择最合适的6个兵种6个专家。人虽少但全是精锐配合默契行动高效。这就是DeepSeek的“以轻驭重”哲学——用最少的推理成本撬动最强的模型能力。二、R1-0528 蒸馏一个8B模型如何干翻2350B2.1 R1-0528不是架构升级是后训练的革命R1-0528不是新架构。它的模型架构和R1完全一样总参数量684.53B含14B MTP层。那它为什么变强了答案在后训练——DeepSeek在R1-0528的后训练阶段投入了更多算力显著提升了模型的“思维深度”。旧版模型平均每题使用12K tokens推理而新版模型平均每题使用23K tokens来源DeepSeek官方技术说明思考深度近乎翻倍。结果基准测试R1R1-0528提升AIME 2025数学70.0%87.5%25.0%AIME 2024数学79.8%91.4%11.6%LiveCodeBench代码63.5%73.3%9.8%数据来源DeepSeek官方ModelScope页面https://modelscope.cn/models/deepseek-ai/DeepSeek-R1-0528幻觉率方面在改写润色、总结摘要、阅读理解等场景中幻觉率降低了45-50%。关键洞察同一个骨架同一套参数规模仅靠后训练策略的精细化就能产生质的飞跃。这意味着模型能力的上限不仅由架构决定更由训练策略决定。2.2 蒸馏把“老兵的直觉”传给“新兵”蒸馏的核心原理很简单让一个“老师”教一个“学生”。DeepSeek团队用R1-0528作为教师模型蒸馏了它的思维链CoT后训练Qwen3-8B Base得到了DeepSeek-R1-0528-Qwen3-8B。这个8B模型交出的成绩单AIME 202486.0分Pass1AIME 202576.3分超越Qwen3-8B达10.0%与2350亿参数的Qwen3-235B-thinking性能相当一个8B模型数学推理能力追平235B模型——这就是蒸馏的力量。# 文件路径deepseek-r1-distill/models/distillation/losses.py结构示意classDistillationLayer(nn.Module):defforward(self,student_logits,teacher_logits,student_hidden,teacher_hidden):# 1. 输出层蒸馏让学生输出的概率分布接近老师Tself.temp.current_temp# 自适应温度kl_lossKL_div(softmax(student_logits/T),softmax(teacher_logits/T))*T**2# 2. 特征层蒸馏让学生中间层的表示接近老师student_alignedself.feature_adapter(student_hidden)feature_lossMSE(student_aligned,teacher_hidden)returnkl_loss0.1*feature_loss这段代码实现了什么蒸馏不是让学生“抄答案”而是让学生学习老师的思考方式——不仅要输出相似的结果还要在中间层有相似的内部表示。这就是双阶段蒸馏KL散度特征对齐的精髓。2.3 GRPO比PPO更省显存的强化学习对齐在open-r1Hugging Face社区对DeepSeek-R1的完整开源复现中GRPOGroup Relative Policy Optimization的实现在GitHub上已成为强化学习对齐的标准参考实现之一来源open-r1 GitHub仓库。# 文件路径open-r1/src/open_r1/grpo.py结构示意classGRPOTrainer:defcompute_grpo_loss(self,batch):# 1. 对每个prompt采样K个responseK8responses[model.generate(prompt)for_inrange(self.group_size)]# 2. ★ 组内标准化计算advantagerewards_tensortorch.tensor(rewards).view(-1,self.group_size)advantages(rewards_tensor-mean)/(std1e-8)# 组内归一化# 3. 计算策略损失含KL散度惩罚ratioexp(new_logps-old_logps)surrogatemin(ratio*advantages,clip(ratio)*advantages)loss-(surrogate-kl_coef*kl_div).mean()returnlossGRPO相比PPO的优势指标PPOGRPOGPU显存占用基线-35%单轮迭代时间基线-40%总训练时长基线1.8x更快数据来源open-r1 GitHub仓库及GRPO论文三、V4-Flash百万上下文MoE的工程典范如果说R1蒸馏版解决的是“小模型如何变强”那V4-Flash解决的是“大模型如何变便宜”。3.1 架构总览284B总参数13B激活参数V4-Flash的核心数据参数数值总参数量284B2840亿激活参数量13B130亿上下文窗口1M100万token路由专家256个每token激活6个共享专家1个始终激活这意味着什么你的服务器只需要加载13B参数的计算量就能享受到284B参数的知识容量。推理成本约等于13B模型能力却接近284B模型。3.2 源码里的“三把刀”第一把刀混合注意力SWA CSA HCAV4 config.json定义了一套精密的注意力分层策略来源DeepSeek-V4-Flash官方Hugging Face仓库{compress_ratios:[0,0,4,128,4,128,...],sliding_window:128,head_dim:512}43层Transformer被分成三类类型压缩比层数作用SWA滑动窗口02层只看最近128个tokenCSA压缩稀疏注意力421层压缩后选top-kHCA重度压缩注意力12820层极端压缩不稀疏效果处理100万token上下文时复杂度从O(n²)降为O(n)让百万上下文在消费级硬件上成为可能。第二把刀mHC流形约束超连接mHC是V4的核心创新之一。在每层内部输入被拷贝为4条并行残差流通过Sinkhorn-Knopp双随机投影管理流间混合。# 文件路径nano-deepseek-v4/modeling.py社区实现结构示意classDeepSeekV4MHC(nn.Module):defforward(self,x):# 1. 复制为4条并行流streamsx.unsqueeze(1).repeat(1,4,1,1)# [b, 4, s, dim]# 2. Sinkhorn-Knopp双随机化20次迭代projself.sinkhorn_normalize(self.proj)# 3. 流间混合returntorch.einsum(b m s d, m d e - b m s e,streams,proj)直观理解4条流就像4个大脑在不同维度上并行思考每层通过双随机投影交换信息。这相当于给深层网络装上了“稳定器”让模型可以安全地堆到43层。第三把刀双模式MoEHash Learned# 文件路径nano-deepseek-v4/modeling.py社区实现结构示意classDeepSeekV4MoE(nn.Module):def__init__(self,config,layer_idx):self.use_hashlayer_idx3# 前3层用Hash-MoEifself.use_hash:# Hash-MoE: token_id → expert_id查表确定性路由self.hash_tablenn.Embedding(vocab_size,num_experts)else:# Learned Top-K: sqrt(softplus)评分学习型路由self.gatenn.Linear(hidden_size,num_experts)defforward(self,x,input_ids):ifself.use_hash:expert_idsself.hash_table(input_ids)# 确定性选择outputsum(self.experts[idx](x)foridxintop_k_ids)else:scorestorch.sqrt(F.softplus(self.gate(x)))# ★ V4路由top_ktorch.topk(scores,6)outputsum(w*self.experts[idx](x)forw,idxintop_k)outputself.shared_expert(x)# 共享专家始终激活returnoutput路由评分函数演进V3用softmaxV4用sqrt(softplus)。实测表明后者具有更平滑的梯度分布更适合MoE稀疏训练。四、一张图看懂DeepSeek“以轻驭重”的落地路径维度R1蒸馏版V4-Flash核心目标小模型变强大模型变便宜技术手段知识蒸馏 GRPOMoE 混合注意力 mHC参数量8B推理时284B总 / 13B激活部署硬件RTX 3060 8GB2×H20 或 192GB Mac推理成本消费级约Claude Opus 4.8的1/90典型应用数学推理、企业知识库百万上下文分析、复杂Agent两者殊途同归用最少的推理成本获得最强的模型能力。五、避坑指南3个DeepSeek新手常犯的错误陷阱1把R1-0528当成架构升级现象以为R1-0528是比R1更大的模型需要更多的显存。真相R1-0528架构和R1一样只是后训练投入了更多算力。私有化部署时只需更新checkpoint和tokenizer_config.json硬件要求不变。陷阱2用8B蒸馏版处理超长文档现象用R1-0528-Qwen3-8B处理几十万token的长文档出现OOM或生成质量下降。原因R1蒸馏版开源版本的上下文长度是128K来源DeepSeek官方ModelScope页面不是V4的1M。解决长文档场景使用V4-Flash原生1M上下文而非R1蒸馏版。陷阱3在纯CPU上部署V4-Flash 4bit时忽略内存带宽现象纯CPU推理速度极慢每秒只有几个token。原因V4-Flash 4bit模型约161GB来源Unsloth GGUF量化版本即使是纯CPU推理也需要足够的内存带宽。解决最低配置4核16G、ESSD 100G纯CPU可跑但速度慢推荐配置192GB统一内存Mac或2×H20GPU写在最后DeepSeek的工程化精髓可以用四个字概括以轻驭重。它用R1-0528证明了模型能力的提升不只有“堆参数”一条路——精细化后训练可以在同一架构上产生质的飞跃。它用蒸馏版证明了小模型可以通过学习大模型的思维方式达到接近大模型的能力水平——8B干翻2350B不是神话。它用V4-Flash证明了大模型可以设计成“大部分参数休眠、小部分参数激活”的形态——284B总参数推理时只激活13B成本降两个数量级。三个模型一个答案在算力受限的约束下如何用最小的推理成本获得最强的模型能力DeepSeek的回答是不要堆参数。堆策略。堆架构。堆工程。截至2026年8月DeepSeek-R1-0528和DeepSeek-V4-Flash已全面开源MIT许可证在Hugging Face和ModelScope均可下载。如果你正在探索如何用有限的硬件资源部署最强的AI能力它们的源码值得你花一个下午深入读一读。关注我们获取更多AI技术深度解读和开源方案落地案例。如您所在的企业正面临AI技术选型、大模型应用落地或系统架构设计的挑战欢迎进一步沟通。我们可提供针对贵企业具体场景的定制化方案和现场调研服务。数据来源DeepSeek官方ModelScope页面https://modelscope.cn/models/deepseek-ai/DeepSeek-R1-0528、DeepSeek-V4-Flash官方Hugging Face仓库、Artificial Analysis第三方评测、open-r1 GitHub仓库截至2026年8月
完全指南：从入门到精通)
