去除中國政府言論審查，Perplexity 重新訓練 DeepSeek 並開源 R1-1776 模型 

資料來源: https://www.soft4fun.net/tech/ai/perplexity-open-source-r1-1776.htm

    Perplexity 宣布 開源 R1 1776，這是一個基於  DeepSeek-R1 的大型語言模型 (LLM)，但經過特別後訓練，以確保其提供準確、中立且無偏見的回答。這個版本不再受中國政府的審查影響，能夠自由討論包括地緣政治、經濟影響等敏感話題。如果你曾因 AI 拒絕回答某些問題而感到受限，那麼 R1 1776 可能是你一直在等待的解決方案！

為何要改造 DeepSeek-R1？

    DeepSeek-R1 是一個性能接近最先進推理模型 (如 o1 和 o3-mini) 的 LLM，然而，它在處理敏感話題時受到嚴格限制。例如，當被問及 「台灣獨立對 Nvidia 股價的影響」時，原版 R1 會以中共官方立場回應，甚至完全忽略問題本身 (過程可以參考官方的公告)。

    這樣的審查嚴重限制了 R1 的應用範圍，無法提供客觀、完整的資訊。Perplexity 為了要打造一個能夠誠實回答所有問題的 AI，因此決定進行後訓練，讓 R1 擺脫這些限制，成為真正開放、無偏見的 AI。

R1 1776 如何去除審查？

    為了讓 R1 具備回答敏感問題的能力，Perplexity 採用了精密的後訓練 (post training) 技術，主要包含以下步驟：

    1. 構建審查資料集
        Perplexity 首先聘請專家辨識了 300 個已知被中國政府審查的話題，並開發了一個多語言審查分類器來篩選相關查詢。這些數據經過嚴格過濾，確保不包含個人資訊 (PII)，最終累積了 40,000 筆多語言數據作為訓練資料。

    2. 蒐集高品質回答
        為了確保  AI 能夠提供準確、合邏輯的回答，Perplexity 特別強調 「Ch ain-of-Thought」(思維鏈) 推理能力，並採用了多種方式來確保回答的多樣性和品質，包括使用人工標註、驗證數據可靠性等方法。

    3. 以 NeMo 2.0 進行後訓練
        模型訓練使用了 Nvidia 的 NeMo 2.0 框架，並設計了特殊的調校方式，確保在去除審查的同時，不影響模型的數學與推理能力。

評估

    為了確保 R1 1776 真正去除了審查，Perplexity 建立了一個 1,000 多條問題的測試集，涵蓋各種敏感話題，並使用人工標註與 LLM 評審來檢測模型是否仍會「閃躲」或給出過於保守的回答。結果顯示，R1 1776 成功克服審查問題，同時保持與原版 R1 相當的數學與推理能力。

Perplixity 公告

https://www.perplexity.ai/hub/blog/open-sourcing-r1-1776

Perplixity 已經將訓練後的模型權重上傳到 HuggingFace 開源

https://huggingface.co/perplexity-ai/r1-1776

心得:

    站在巨人肩膀做事(轉換思維)
    把錢變成喜歡的樣子(有錢有閒就是狂)
    以其人之道還治其人之身(拿你的箭射你的兵/借力使力)