編輯：編輯部 HYZ

這些天，硅谷徹底處于中國(guó)公司帶來(lái)的大地震余波中。

全美都在恐慌：是否全球人工智能的中心已經(jīng)轉(zhuǎn)移到了中國(guó)？

就在這當(dāng)口，全球復(fù)現(xiàn)DeepSeek的一波狂潮也來(lái)了。

誠(chéng)如LeCun所言：「這一次，正是開(kāi)源對(duì)閉源的勝利！」

種種這些觀點(diǎn)和討論，讓人不禁懷疑：數(shù)百億美元支出，對(duì)這個(gè)行業(yè)真的必要嗎？甚至有人說(shuō)，中國(guó)量化基金的一群天才，將導(dǎo)致納斯達(dá)克崩盤(pán)。

從此，大模型時(shí)代很可能會(huì)進(jìn)入一個(gè)分水嶺：超強(qiáng)性能的模型不再獨(dú)屬于算力巨頭，而是屬于每個(gè)人。

來(lái)自UC伯克利博士生潘家怡和另兩位研究人員，在CountDown游戲中復(fù)現(xiàn)了DeepSeek R1-Zero。

他們表示，結(jié)果相當(dāng)出色！

實(shí)驗(yàn)中，團(tuán)隊(duì)驗(yàn)證了通過(guò)強(qiáng)化學(xué)習(xí)RL，3B的基礎(chǔ)語(yǔ)言模型也能夠自我驗(yàn)證和搜索。

更令人興奮的是，成本不到30美金（約217元），就可以親眼見(jiàn)證「啊哈」時(shí)刻。

這個(gè)項(xiàng)目叫做TinyZero，采用了R1-Zero算法——給定一個(gè)基礎(chǔ)語(yǔ)言模型、提示和真實(shí)獎(jiǎng)勵(lì)信號(hào)，運(yùn)行強(qiáng)化學(xué)習(xí)。

然后，團(tuán)隊(duì)將其應(yīng)用在CountDown游戲中（這是一個(gè)玩家使用基礎(chǔ)算術(shù)運(yùn)算，將數(shù)字組合以達(dá)到目標(biāo)數(shù)字的游戲）。

模型從最初的簡(jiǎn)單輸出開(kāi)始，逐步進(jìn)化出自我糾正和搜索的策略。

在以下示例中，模型提出了解決方案，自我驗(yàn)證，并反復(fù)糾正，直到解決問(wèn)題為止。

在消融實(shí)驗(yàn)中，研究人員運(yùn)行了Qwen-2.5-Base（0.5B、1.5B、3B、7B四種參數(shù)規(guī)模）。

結(jié)果發(fā)現(xiàn)，0.5B模型僅僅是猜測(cè)一個(gè)解決方案然后停止。而從1.5B開(kāi)始，模型學(xué)會(huì)了搜索、自我驗(yàn)證和修正其解決方案，從而能夠獲得更高的分?jǐn)?shù)。

他們認(rèn)為，在這個(gè)過(guò)程，基礎(chǔ)模型是性能的關(guān)鍵。

他們還驗(yàn)證了，額外的指令微調(diào)（SFT）并非是必要的，這也印證了R1-Zero的設(shè)計(jì)決策。

這是首個(gè)驗(yàn)證LLM推理能力的實(shí)現(xiàn)可以純粹通過(guò)RL，無(wú)需監(jiān)督微調(diào)的開(kāi)源研究

基礎(chǔ)模型和指令模型兩者區(qū)別：

此外，他們還發(fā)現(xiàn)，具體的RL算法并不重要。PPO、GRPO、PRIME這些算法中，長(zhǎng)思維鏈（Long CoT）都能夠涌現(xiàn)，且?guī)?lái)不錯(cuò)的性能表現(xiàn)。

而且，模型在推理行為中非常依賴(lài)于具體的任務(wù)：

蘋(píng)果機(jī)器學(xué)習(xí)科學(xué)家Yizhe Zhang對(duì)此表示，太酷了，小到1.5B的模型，也能通過(guò)RL涌現(xiàn)出自我驗(yàn)證的能力。

港科大助理教授何俊賢的團(tuán)隊(duì)（共同一作黃裕振、Weihao Zeng），只用了8K個(gè)樣本，就在7B模型上復(fù)刻出了DeepSeek-R1-Zero和DeepSeek-R1的訓(xùn)練。

結(jié)果令人驚喜——模型在復(fù)雜的數(shù)學(xué)推理上取得了十分強(qiáng)勁結(jié)果。

項(xiàng)目地址：https://github.com/hkust-nlp/simpleRL-reason

他們以Qwen2.5-Math-7B（基礎(chǔ)模型）為起點(diǎn)，直接對(duì)其進(jìn)行強(qiáng)化學(xué)習(xí)。

整個(gè)過(guò)程中，沒(méi)有進(jìn)行監(jiān)督微調(diào)（SFT），也沒(méi)有使用獎(jiǎng)勵(lì)模型。

最終，模型在AIME基準(zhǔn)上實(shí)現(xiàn)了33.3%的準(zhǔn)確率，在AMC上為62.5%，在MATH上為77.2%。

這一表現(xiàn)不僅超越了Qwen2.5-Math-7B-Instruct，并且還可以和使用超過(guò)50倍數(shù)據(jù)量和更復(fù)雜組件的PRIME和rStar-MATH相媲美！

其中，Qwen2.5-7B-SimpleRL-Zero是在Qwen2.5-Math-7B基礎(chǔ)模型上僅使用純PPO方法訓(xùn)練的，僅采用了MATH數(shù)據(jù)集中的8K樣本。

Qwen2.5-7B-SimpleRL則首先通過(guò)Long CoT監(jiān)督微調(diào)（SFT）作為冷啟動(dòng)，然后再進(jìn)行強(qiáng)化學(xué)習(xí)。

在這兩種方法中，團(tuán)隊(duì)都只使用了相同的8K MATH樣本，僅此而已。

大概在第44步的時(shí)候，「啊哈時(shí)刻」出現(xiàn)了！模型的響應(yīng)中，出現(xiàn)了自我反思。

并且，在這個(gè)過(guò)程中，模型還顯現(xiàn)了更長(zhǎng)的CoT推理能力和自我反思能力。

在博客中，研究者詳細(xì)剖析了實(shí)驗(yàn)設(shè)置，以及在這個(gè)強(qiáng)化學(xué)習(xí)訓(xùn)練過(guò)程中所觀察到的現(xiàn)象，例如長(zhǎng)鏈?zhǔn)剿伎迹–oT）和自我反思機(jī)制的自發(fā)形成。

與DeepSeek R1類(lèi)似，研究者的強(qiáng)化學(xué)習(xí)方案極其簡(jiǎn)單，沒(méi)有使用獎(jiǎng)勵(lì)模型或MCTS（蒙特卡洛樹(shù)搜索）類(lèi)技術(shù)。

他們使用的是PPO算法，并采用基于規(guī)則的獎(jiǎng)勵(lì)函數(shù)，根據(jù)生成輸出的格式和正確性分配獎(jiǎng)勵(lì)：

該實(shí)現(xiàn)基于OpenRLHF。初步試驗(yàn)表明，這個(gè)獎(jiǎng)勵(lì)函數(shù)有助于策略模型快速收斂，產(chǎn)生符合期望格式的輸出。

接下來(lái)，研究者為我們分享了訓(xùn)練過(guò)程動(dòng)態(tài)分析和一些有趣的涌現(xiàn)模式。

如下所示，所有基準(zhǔn)測(cè)試的準(zhǔn)確率在訓(xùn)練過(guò)程中都在穩(wěn)步提高，而輸出長(zhǎng)度則呈現(xiàn)先減少后逐漸增加的趨勢(shì)。

經(jīng)過(guò)進(jìn)一步調(diào)查，研究者發(fā)現(xiàn)，Qwen2.5-Math-7B基礎(chǔ)模型在初始階段傾向于生成大量代碼，這可能源于模型原始訓(xùn)練數(shù)據(jù)的分布特征。

輸出長(zhǎng)度的首次下降，是因?yàn)閺?qiáng)化學(xué)習(xí)訓(xùn)練逐漸消除了這種代碼生成模式，轉(zhuǎn)而學(xué)會(huì)使用自然語(yǔ)言進(jìn)行推理。

隨后，生成長(zhǎng)度開(kāi)始再次增加，此時(shí)出現(xiàn)了自我反思機(jī)制。

訓(xùn)練獎(jiǎng)勵(lì)和輸出長(zhǎng)度

基準(zhǔn)測(cè)試準(zhǔn)確率（pass@1）和輸出長(zhǎng)度

在訓(xùn)練到第 40 步左右時(shí)，研究者觀察到：模型開(kāi)始形成自我反思模式，這正是DeepSeek-R1論文中所描述的「aha moment」（頓悟時(shí)刻）。

如前所述，研究者在進(jìn)行強(qiáng)化學(xué)習(xí)之前，先進(jìn)行了long CoT SFT預(yù)熱，使用了8,000個(gè)從QwQ-32B-Preview中提取的MATH示例響應(yīng)作為SFT數(shù)據(jù)集。

這種冷啟動(dòng)的潛在優(yōu)勢(shì)在于：模型在開(kāi)始強(qiáng)化學(xué)習(xí)時(shí)已具備long CoT思維模式和自我反思能力，從而可能在強(qiáng)化學(xué)習(xí)階段實(shí)現(xiàn)更快更好的學(xué)習(xí)效果。

與RL訓(xùn)練前的模型（Qwen2.5-Math-7B-Base + 8K QwQ知識(shí)蒸餾版本）相比，Qwen2.5-7B-SimpleRL的平均性能顯著提升了6.9個(gè)百分點(diǎn)。

此外，Qwen2.5-7B-SimpleRL不僅持續(xù)優(yōu)于Eurus-2-7B-PRIME，還在5個(gè)基準(zhǔn)測(cè)試中的3個(gè)上超越了Qwen2.5-7B-SimpleRL-Zero。

訓(xùn)練獎(jiǎng)勵(lì)和輸出長(zhǎng)度

基準(zhǔn)測(cè)試準(zhǔn)確率（pass@1）和輸出長(zhǎng)度

Qwen2.5-SimpleRL的訓(xùn)練動(dòng)態(tài)表現(xiàn)與Qwen2.5-SimpleRL-Zero相似。

有趣的是，盡管研究者先進(jìn)行了long CoT SFT，但在強(qiáng)化學(xué)習(xí)初期仍然觀察到輸出長(zhǎng)度減少的現(xiàn)象。

他們推測(cè)，這可能是因?yàn)閺腝wQ提取的推理模式不適合小型策略模型，或超出了其能力范圍。

因此，模型選擇放棄這種模式，轉(zhuǎn)而自主發(fā)展新的長(zhǎng)鏈?zhǔn)酵评矸绞健?/span>

最后，研究者用達(dá)芬奇的一句話(huà)，對(duì)這項(xiàng)研究做了總結(jié)——

簡(jiǎn)約，便是最終極的精致。

甚至，就連全球最大開(kāi)源平臺(tái)HuggingFace團(tuán)隊(duì)，今天官宣復(fù)刻DeepSeek R1所有pipeline。

復(fù)刻完成后，所有的訓(xùn)練數(shù)據(jù)、訓(xùn)練腳本等等，將全部開(kāi)源。

這個(gè)項(xiàng)目叫做Open R1，當(dāng)前還在進(jìn)行中。發(fā)布到一天，星標(biāo)沖破1.9k，斬獲142個(gè)fork。

項(xiàng)目地址：https://github.com/huggingface/open-r1

研究團(tuán)隊(duì)以DeepSeek-R1技術(shù)報(bào)告為指導(dǎo)，將整個(gè)復(fù)刻過(guò)程劃分為三個(gè)關(guān)鍵步驟。

一個(gè)副業(yè)項(xiàng)目，讓全世界科技大廠(chǎng)為之惶恐。

DeepSeek這波成功，也成為業(yè)界的神話(huà)，網(wǎng)友最新截圖顯示，這款應(yīng)用已經(jīng)在APP Store應(yīng)用榜單登頂。

在Hugging Face中，R1下載量直接登頂，另外3個(gè)模型也霸占著熱榜。

a16z合伙人Anjney Midha稱(chēng)，一夜之間，從斯坦福到MIT，DeepSeek R1已經(jīng)成為美國(guó)頂尖高校研究人員「首選模型」。

還有研究人員表示，DeepSeek基本上取代了我用ChatGPT的需求。

中國(guó)AI，這一次真的震撼了世界。

參考資料：

https://x.com/junxian_he/status/1883183099787571519

https://x.com/jiayi_pirate/status/1882839370505621655