我觉得DeepSeek里面搞数学推理的团队可能是最有潜力的一张王牌。
为什么？
因为数学推理是所有 AI 推理任务里最苛刻的那一个：
- 没有情绪
- 没有模糊答案
- 没有“差不多就行”
- 每一步都是严格逻辑链
- 一处错误会全盘报废
我们平时问AI的问题大多数都可以接受模棱两可的回答，比如问情感类的，可以说怎么说都不算错；问英文问题，它有很多同义词近义词；但数学不一样。
数学是一个绝对不能“糊弄”的领域，它不像聊天应用可以模糊补全，不像文本理解可以靠语境兜底，更不像多模态展示那样可以靠“看起来不错”就糊弄观众。
数学要求的是：你到底是不是在真正思考？你每一步推理是不是都能自圆其说？
而这一点，恰恰是绝大多数大模型最容易暴露短板的地方。
因为如果训练的AI有问题，就连最简单的比大小，9.11大还是9.9大都会出问题。
绝大多数的大模型碰到数字，依旧当成文字来处理，所以搞出了很多乌龙。
但是只要数学题还是选择题或者只看答案，就依旧存在着蒙对的可能，DeepSeek的这个新模型，最核心的就是这一句：
correct answers don’t guarantee correct reasoning
答案对，但不能保证推导也对
我记得在上初高中的时候，老师会说，碰到不会的题，最起码你得写个解，并且能写几步写几步；特别是碰到填空题，一定不要空着，实在不行就填个0上去，其实蒙对的概率并不小。
为了避免这种情况，DS他们不是只在追求答案正确，而是在追求每一个推理步骤都可以被验证。
因为答案对不对，只能告诉你模型“是否蒙对”。但能不能写出严谨的步骤，才能告诉你模型是不是真的懂。
为了做到这一点，DeepSeekMath-V2 在里面其实是走了一套典型的 verifier–generator dual-model 架构。简单说，就是把模型分成两个角色：
- 一个叫 proof generator（证明生成器），专门负责把证明写出来，把整条思路摊开；
- 一个叫 verifier（验证器），是一个 LLM-based verifier，专门负责挑错打分。
proof generator 的工作，就是像一个学生一样，从头到尾写出完整的数学证明；verifier 拿到这份证明，其实不太关心你最后答案是多少，而是一行一行去看：这里有没有跳步，那里有没有漏条件，有没有只证明一半就当全对了。
更重要的是，这个 proof generator 不是写完就交卷。论文里的做法，是让它在 verifier 的反馈下做 self-verification：
先生成一版 proof draft → 交给 verifier → verifier 按照 verification reward model 的方式指出哪一步不严谨、哪一段有漏洞 → proof generator 再根据这些信号把证明重写一遍，把缺口补上，把有问题的地方删掉，最后再定稿。
换句话说，DeepSeek 在训练里是硬生生给模型养成了一个习惯：不是想到一个看起来还行的证明就完事，而是写完先自查一遍，看看哪里说不通，再修修补补，这就是他们说的 self-verifiable mathematical reasoning。
这样一来，最后答案对不对，只能告诉你有没有蒙对；而整个 reasoning process 能不能经得起 verifier 一轮一轮的检查，才真正区分出模型是装懂还是真的懂。
这里还有一个容易被忽略的难点：verifier 自己也得变强。
如果 proof generator 越来越能写复杂证明，而 verifier 还停留在“入门老师”水平，就会变成：老师根本看不懂学生写的高难度解答，要么乱判，要么只能给一些很模糊的评价。
DeepSeek 的做法，是在训练过程中不断扩大 verification compute：专门收集那些最难判、最容易纠结的 proof，把这些 hard-to-verify proofs 喂给 verifier，用更大的算力、更细的标注去训练它，让验证这一侧也持续升级，维持一个 generation–verification gap，让“老师”始终有能力看穿“学生”的小聪明。
还有一点也很关键，他们不再只是用 final answer reward 来训练，而是让 verifier 直接对整条推理链打分，相当于用 process-level 的奖励信号去约束模型。就像真正的数学阅卷，不是只看最后一行写了个几，而是把整篇证明拆开来看，每一步都要算分。
这等于把我们做题时最朴素的一套经验，完整搬进了训练系统里：答案可以偶尔靠运气蒙对，但过程要想次次写严谨，只能靠真本事。
并且DeepSeek的数学模型，水平跟前段时候刚刚刷榜的Gemini相差无几，甚至在一切设定要比Gemini还好用。
但问题是，Gemini等一众闭源大模型几乎都有一个特别的heavy模式，就是专门用来刷榜的，基本原理就是一次性运行多个推理任务，然后从里面优中选优。
简单点说，就是三个臭皮匠顶个诸葛亮。
而这正是 AI 未来最重要的能力之一：不是能不能变得更能聊、画得更像、音频更逼真，而是能不能参与真正的科学推理、工程系统、安全验证、数学创新。
这些都离不开可验证的逻辑链条。
所以，数学推理团队之所以可能是 DeepSeek 的王牌，并不是因为数学本身有多复杂，而是因为他们在解决 AI 最本质的问题：
如何让一个模型真正“思考”，而不是表面上看起来像是在思考。
如果一个模型在数学上能站稳脚跟，在逻辑链条这种零容错场景下都能保持一致性，那么它在其他推理任务上的表现，往往不会低的。
