给AI模型做"DNA亲子鉴定"！文本风格分析显示，新版R1现在更接近Google。
所以他们可能使用了更多的合成双子输出进行训练。
想象每个AI模型都会在作文里留下自己的"口水印"——老版的r1家族用的是OpenAI牌的"口水"，新版的r1家族改用Gemini牌的"口水"。
破案过程超级像警匪片️♂️：
- 我先当语文老师改作文，专门抓那些AI爱用但正常人不会说的奇葩词（比如"综上所述""让我们深入探讨"这种装逼用语）
- 给每个AI建立"黑名单"，记录它们最爱瞎编的1000个词
- 就像查DNA一样，把AI们的用词习惯编成密码（比如1100101=ChatGPT，1010101=Gemini）
- 最后用生物课学的那套进化树分析法，看看谁抄了谁的作业！
左边是旧R1，右边是新R1。
顶部（红色文字）是V3。
网友热评：
1、或者这是一个迹象，他们使用了类似的训练方法或数据。这说明它们可能是一家人，用的都是同一个‘祖传秘方’！
- 新版的 r1 虽然换了 Gemini 模型，但说话方式跟老版（OpenAI）没啥大区别。
- 可能是因为它们训练的数据或者方法差不多，所以“口头禅”都类似。
- 这些“过度使用的短语”在普通用户眼里可能不明显，但用统计方法一挖，就能发现它们的“血缘关系”
2、关于 Deepseek-R1（初代）的训练内幕：
这哥们儿训练时用了“合成数据”当种子来搞强化学习（RL）——毕竟像数学推理这种东西，你总不能让AI瞎蒙吧？得先教它“正确解题姿势”。
- 数学题好办：让AI写推理步骤（Chain-of-Thought），答案错了就直接打叉❌。
- 但主观题（比如写作文）就蛋疼了——谁来判断“好”或“烂”？没有标准答案啊！
- 要么搞个裁判模型（但谁TM有闲工夫训练这个？）
- 要么直接用合成数据当种子（相当于给AI喂“参考答案”），反正没人会手写几百万条示范！
- 对AI的推理逻辑影响很大（比如解题思路）
- 但对AI的说话风格影响不大——毕竟最终输出还是得靠真实数据集（比如盗版书、网上扒的文本这些“野生素材”）
3、看图
- 3月24号的V3和R1，在图上跟GPT-4贴得贼近 → 说明这俩模型八成是拿OpenAI的合成数据喂大的。
- 5月28号的R1，突然跟Gemini 2.5 Pro勾肩搭背了 → 好家伙，换爹了！现在改用Gemini的数据来训练了。
4、OpenAI通过API使o3变得非常昂贵，这就是为什么R1不匹配它。因此，他们可能会因此提取谷歌最好的。
5、这就解释了为什么新的R1蒸馏器在写作方面比旧的蒸馏甚至官方的qwen微调指令模型要好得多。
6、现在连OpenAI、谷歌这些大佬都在狂用合成数据！ 而且他们可不是闲着蛋疼才藏着掖着‘思维链’（Chain-of-Thought）——这玩意儿值钱啊！谁愿意白送竞争对手？
如果我是搞AI的，我肯定直接用最强模型生成合成数据啊！ 不然呢？难道去屎山里淘金？有浓缩咖啡不喝，非去灌马桶水？
7、Deepseek使用大量的合成数据来避免对齐。考虑到API的成本，他们可能使用了Gemini而不是OpenAI
8、关于Deepseek-R1的训练方法他们的论文说用了“种子数据”（就是先喂一小撮AI生成的合成数据，再搞强化学习RL）。但大部分训练数据还是正经从网上扒的（有机数据），合成数据主要用来教AI“怎么推理”，比如解数学题、逻辑分析这些。
重点来了：
- 不是数据越多越好！就算某个词在数据集里出现一万次，也不代表AI会学得更深——还得看训练时怎么加权。
- 如果只用小数据集猛练某个技能，AI就会变成“死记硬背的书呆子”（专业术语：过拟合）。
- Deepseek-R1可不是随便吃一堆文本就完事了，人家训练是有讲究的！
“大家都在用合成数据，结果AI说话越来越像”
现在所有大厂（谷歌、OpenAI、Anthropic…）都偷偷用合成数据，导致不同AI说的话越来越像。比如：
- 谷歌的AI突然蹦出一句“这是克劳德（Claude）的风格” → 说明它们可能用了类似的数据源或训练方法。
- （作者吐槽）我自己也搞不懂为啥会这样
总结
- 合成数据是AI界的“秘密调料”，但用多了会让不同AI“串味”。
- 训练AI不是倒垃圾（数据越多越好），关键是怎么喂、喂什么。
- 如果你发现不同AI说话风格蜜汁相似……嗯，它们可能用了同一个“食谱”。