Главное об LLM в 2025: год reasoning-моделей и революция от DeepSeek
2025 стал годом прорыва reasoning-моделей (LLM с «объяснением хода мыслей»), который возглавил китайский DeepSeek. Их метод RLVR+GRPO позволил обучать топовые модели за $5-6 млн вместо $50-500 млн и без дорогой ручной разметки. Теперь каждая крупная лаборатория выпускает свою версию reasoning-модели, но прогресс не остановился: появились мультимодальные reasoning-модели, улучшилась эффективность, а OpenAI и другие уже работают над следующим поколением.
Это поворотная точка в экономике ИИ: порог входа для обучения SOTA-моделей снизился на порядок, что ускорит конкуренцию и инновации. Для разработчиков это означает доступ к open-weight reasoning-моделям уровня ChatGPT, для бизнеса — более дешёвое развёртывание мощных решений.
Reasoning-модели стали мейнстримом
В январе 2025 года китайская DeepSeek выпустила модель R1 и взорвала индустрию сразу тремя инсайтами:
- Открытая модель сравнялась с лучшими проприетарными (ChatGPT, Gemini)
- Стоимость обучения оказалась на порядок ниже: ~$5-6 млн вместо $50-500 млн, которые считались нормой
- Новый подход RLVR (Reinforcement Learning with Verifiable Rewards) с алгоритмом GRPO позволил обучать модели без дорогой ручной разметки
Что такое reasoning и почему это важно
Reasoning-модели (их также называют "thinking models") не просто выдают ответ, а показывают пошаговое рассуждение — как человек объясняет решение задачи. Это не просто красиво: такой подход реально улучшает точность, особенно в математике и программировании.
До DeepSeek основным подходом был RLHF (обучение с подкреплением по человеческой обратной связи), требующий дорогих экспертных оценок. RLVR решает проблему иначе: использует автоматически проверяемые задачи (например, код либо работает, либо нет — можно запустить и проверить).
Индустрия перестроилась за год
После DeepSeek R1 каждая крупная лаборатория выпустила свою reasoning-модель: - OpenAI выпустила o1 и o3 - Google показала Gemini 2.0 Flash Thinking - Meta, Alibaba и другие подтянулись
Автор (Sebastian Raschka, эксперт по LLM) выделяет фокусные точки по годам: - 2022: RLHF + PPO (ChatGPT) - 2023: LoRA и fine-tuning - 2024: Mid-training и синтетические данные - 2025: RLVR + GRPO
Что дальше
Reasoning-модели уже стали мультимодальными (работают с изображениями/видео), появилась поддержка длинных контекстов (1-2 млн токенов). Следующий шаг — интеграция reasoning в агентские системы, способные выполнять многошаговые задачи в реальном мире.
Важно: $5 млн — это только прямые затраты на compute финальной версии, без учёта зарплат исследователей и экспериментов. Но даже с поправкой это кардинально меняет экономику отрасли.
Ключевые выводы
- DeepSeek R1 доказала, что топовые LLM можно обучить за $5-6 млн, а не за $50-500 млн, как считалось ранее
- Метод RLVR+GRPO позволяет улучшать модели через обучение с подкреплением без дорогой ручной разметки — достаточно автоматически проверяемых задач (код, математика)
- Reasoning-модели (с пошаговым «объяснением») стали стандартом: все крупные игроки выпустили свои версии после DeepSeek
- Фокус индустрии сместился с базового pre-training на sophisticated post-training методы: от RLHF (2022) к RLVR (2025)
- Следующая волна — мультимодальные reasoning-модели с длинным контекстом и интеграция в агентские системы для реального применения
Автор: Артём Ковалёв · Источник: magazine.sebastianraschka.com
**Честно говоря, момент DeepSeek в январе 2025-го — это как выход первого iPhone в мире ИИ-моделей.** Не потому что технология принципиально новая (OpenAI о reasoning думали давно), а потому что китайцы показали: можно сделать это открыто, дёшево и на уровне лидеров рынка. Западные лаборатории годами убеждали инвесторов, что нужны сотни миллионов на обучение, а тут приходит DeepSeek и делает comparable результат за $5-6 млн. Конечно, это не полная картина (зарплаты, эксперименты, инфраструктура), но психологический эффект сработал.
**Что действительно важно — RLVR+GRPO решают старую боль: дорогую human-in-the-loop разметку.** Если можно обучаться на автоматически проверяемых задачах (код запустился/нет, формула решена/нет), масштабирование post-training становится вопросом compute, а не армии разметчиков. Это открывает путь к дальнейшему скейлингу reasoning-способностей. Вопрос только в том, как далеко можно зайти на одних только verifiable rewards — в реальном мире не всё так binary. Но пока что индустрия голосует ногами: reasoning-модели стали новой нормой за один год.
Комментарии