在R2正式发布前，DeepSeek通过技术论文和模型更新释放了关于模型性能提升的关键信号，这些举措可被视为其技术实力的“烟雾弹”式展示。

DeepSeek与清华大学联合发布的论文提出了自原则批判微调（SPCT）方法，通过提升通用奖励建模在推理阶段的可扩展性，显著提高了DeepSeek-GRM模型的质量和推理能力。该研究通过实证表明，SPCT在多种奖励建模基准测试中优于现有方法和开源模型，且模型将被开源。这种技术突破不仅展示了DeepSeek在推理能力上的野心，也为其后续模型（如R2）的性能提升奠定了基础。

在R2发布前，DeepSeek还通过V3模型的迭代（如V3-0324版本）展示了其在代码生成、中文写作和搜索能力等方面的强化。例如，V3-0324在代码生成任务中表现出色，能够生成高质量的代码，且在前端开发场景下表现接近顶级模型。这些能力提升虽然被定义为“小版本更新”，但实际效果显著，进一步证明了DeepSeek在技术优化上的实力。

DeepSeek的这些动作并非简单的版本更新，而是通过技术细节的披露和模型能力的展示，向外界传递了其在模型性能和效率上的野心。例如，DeepSeek V3通过“多头隐注意力机制”（MLA）优化了模型的“记忆系统”，大幅降低了显存占用；通过“混合专家模型”（MoE）架构提升了运算效率；通过FP8混合精度训练降低了计算量和内存占用。这些技术细节的披露，既展示了DeepSeek的技术实力，也为R2的发布埋下了伏笔。

发布于：上海市