为什么DeepSeek R1是针对推理进行的训练，但文学创作能力这么强？
不要小看这个疑问，这个问题触碰到智能的本质了。
出现这个现象的原因是：r1的基础智能（实时识别的单位长度文本因果信息密度）比v3有阶跃式的提高。
基础智能是泛化智能，不受任务类型限制，在完全未知的任务上也会发挥作用。
“性能表现”（尤其是各种benchmark）不等于“智能”。//答主已经说烦了
只有对单位信息“实时”识别的因果关联多，才是智能高。来自“知识”和“经验”的性能提升都不算数。
说到这里，很多人会质疑，你说的这个基础智能无法用benchmark测出，那我该怎么研究呢？没法研究不是白扯了。
这个问题来自benchmark设计人员的考虑不充分，没有正确判断智能瓶颈的位置。并非测试内容越接近人类前沿，对基础智能考验程度才越高，基础智能具有泛化性，答对博士级问题并不一定需要比答对小学级问题更高的基础智能，所谓博士级智能需要的只是“知识”和“经验”（点名某AI）。FrontierMath早晚也会被人靠RL攒思维链经验把分数刷上去。
与一般的认识相反，解决这个问题需要在benchmark的设计中尽量规避复杂的人类“智能历史积累”，在基础智能测试中引用博士级知识没有任何意义。基础智能是泛化智能，使用简单问题设计反而有利于规避“历史智能积累”的干扰。比如9.11和9.9比大小，就是基础智能的优质测试文本。
答主不会跳出来做一个基础智能benchmark（再怎么说也不会做到这种地步），但是答主之前捏的三个样本还可以废物利用一下：
样本1.已知小红有2个姐姐和4个妹妹，她的妹妹中年龄第三小的妹妹小美有几个姐姐？
（答案是4）
样本2.已知小红有2个哥哥和4个弟弟，她的弟弟中年龄第三小的弟弟小李有几个哥哥？
(答案是3)
样本3.已知小红有3个姐姐和2个妹妹，她的妹妹小美有几个姐姐？这道题目有唯一解吗？
(答案是没有唯一解)
这三个问题是答主按照增加因果信息密度的原则，对着v3捏的测试样本（捏了半天）。
前两个问题r1正确率在0附近，第三个问题去掉附加提示r1正确率也是0，保留的话有低概率答对。
这三个问题在补充一个迷惑点提示的情况下，r1可以获得一定正确率，样本1的补充提示样例是：
已知小红有2个姐姐和4个妹妹，她的妹妹中年龄第三小的妹妹小美有几个姐姐？注意是“年龄第三小”，而不是“年龄第三大”。
在补充两个迷惑点提示的情况下，v3可以获得可观测的正确率。样本1的样例：
已知小红有2个姐姐和4个妹妹，她的妹妹中年龄第三小的妹妹小美有几个姐姐？注意是“年龄第三小”，而不是“年龄第三大”。注意小红的妹妹也有可能是小美的姐姐，只要年龄比小美大。一步一步地思考
对于基础智能比v3更低的预训练模型，还需再补充一个迷惑点的提示才有可能答对，样本1的样例是：
已知小红有2个姐姐和4个妹妹，她的妹妹中年龄第三小的妹妹小美有几个姐姐？注意是“年龄第三小”，而不是“年龄第三大”。注意小红及小红的妹妹也有可能是小美的姐姐，只要年龄比小美大。一步一步地思考
这几个样本是多迷惑点问题，其使用方法并非直接当作benchmark使用，而是通过观察答对问题所需的提示信息数量变化情况，判断基础智能随训练过程的增减。
如果用某种待测试训练方法，以v3等级的基础智能为初始开始训练，若观察到随着训练，答对样本1所需的迷惑点提示由2个缩减为1个，表明模型的基础智能提高了（就像r1），采用的训练方法可以提高基础智能。用越少的训练计算量使迷惑点提示缩减，则训练方法的基础智能提升效率越高，可以用个原理对比不同训练方法的基础智能提升效率。
相反，如果答对问题所需提示的迷惑点始终不变，甚至增加为3个，表明训练中基础智能没有增加，甚至是减少的。则采用的训练方法对基础智能增加不利，尽管此时常规benchmark有可能依然是上涨的（之前预训练模型微调刷分时期，模型分数越来越高，但手感越来越傻，有可能是出现了这个现象）。
譬如在RL过程中靠长度反馈缩短思维链的智能压缩试验，可以采用上述方法判断模型的基础智能随着训练过程是上升、不变、还是下降。也可以靠观察抵达迷惑点提示数量变化所需的计算量，判断压缩方法和自由延长思维链方法的基础智能提升效率差别。尤其是压缩试验，常规benchmark分数可能随训练过程不变或下降，需要单独解耦评估基础智能变化情况。
上面三个样本只是答主抽空捏的，数量不是很够，因为模型的行为有一定随机性，比如样本1，Gemini系由于恰巧使用逆向思维绕过了一个迷惑点，需要更多不同的样本来回避模型的随机性（因为这个答主捏了样本2）。
可以按照上面样本的原则多捏一些样本，只是注意基础智能考察的是泛化（实时）的因果信息密度，关键在“泛化”和“密度”，泛化意味着使用背景简单的自我指涉元素就可能奏效，而不是需要对人类来说困难的“博士级智能”。密度意味着样本的长度可以很短，因为我们需要的是信息密度而不是总量，不是必须冗长的思维长度才能测出模型智能，如果胡乱加长文本内容，反而可能无意间在增加的文本中给了模型额外提示（因果信息被稀释到更多文本中），导致问题难度下降。
这几个样本太少了，只能当作类似9.11 9.9比大小问题的辅助参照，还是需要有人制作正式的测试集。但是高因果信息密度的文本制作不简单，建议找笑话编写者或者段子手试试，原理比较接近。
