DeepSeek-R1-Zero，同时通过强化学习在推理能力方面取得了重大进步，但有几个明显的局限性：
**语言混合与连贯性问题：首要挑战之一是该模型产生混合语言，尤其是英语和中文的输出的趋势。这会导致响应可能是不连贯或难以理解的，尤其是当输入查询使用单语言时[1] [4]。
**可读性差：模型输出的可读性通常会受到损害。用户报告了格式和清晰度的问题，因此很难遵循推理过程或模型[3] [5]提供的最终答案。
**缺乏监督的微调：DeepSeek-R1-Zero是开发的，没有任何初始监督的微调，这限制了其产生完全抛光和人类对齐的产出的能力。与包含有监督的学习技术的模型相比，这种缺乏改进的方法可能导致可靠的反应较低[1] [3]。
**无尽的重复：该模型有时在其响应中表现出重复的行为，这可能会降低通信的整体用户体验和有效性[5] [7]。
**编码任务上的性能变异性：尽管DeepSeek-R1-Zero在推理任务中表现出强大的性能，但在编码挑战方面的性能很差，表明其功能在所有任务类型中可能并不那么强大[1] [2]。
这些限制促使了进一步的开发工作，导致了DeepSeek-R1的创建，该局限性旨在通过纳入监督技术并改善整体绩效来解决这些缺点。
引用：[1] https://www.prompthub.us/blog/deepseek-r-1-model-overview-and-how-in-rank-ranks-against-openais-o1
[2] https://arxiv.org/html/2501.12948v1
[3] https://www.gocodeo.com/post/deepseek-r1-and-deepseek-r1-零
[4] https://myedgetech.com/deepseek-r1-tr/
[5] https://huggingface.co/deepseek-ai/deepseek-r1-zero
[6] https://adasci.org/mastering-llms-rounconing-capibility-with-deepseek-r1/
[7] https://www.datacamp.com/blog/deepseek-r1
[8] https://arxiv.org/pdf/2501.12948.pdf