專題：DeepSeek爲何能震動全球AI圈

　　新智元報道

　　編輯：編輯部 HYZ

　　【新智元導讀】就在剛剛，網上已經出現了一波復現DeepSeek的狂潮。UC伯克利、港科大、HuggingFace等紛紛成功復現，只用強化學習，沒有監督微調，30美元就能見證‘啊哈時刻’！全球AI大模型，或許正在進入下一分水嶺。

　　這些天，硅谷徹底處於中國公司帶來的大地震餘波中。

　　全美都在恐慌：是否全球人工智能的中心已經轉移到了中國？

　　就在這當口，全球復現DeepSeek的一波狂潮也來了。

　　誠如LeCun所言：‘這一次，正是開源對閉源的勝利！’

　　種種這些觀點和討論，讓人不禁懷疑：數百億美元支出，對這個行業真的必要嗎？甚至有人說，中國量化基金的一羣天才，將導致納斯達克崩盤。

　　從此，大模型時代很可能會進入一個分水嶺：超強性能的模型不再獨屬於算力巨頭，而是屬於每個人。

　　30美金，就能看到‘啊哈’時刻

　　來自UC伯克利博士生潘家怡和另兩位研究人員，在CountDown遊戲中復現了DeepSeek R1-Zero。

　　他們表示，結果相當出色！

　　實驗中，團隊驗證了通過強化學習RL，3B的基礎語言模型也能夠自我驗證和搜索。

　　更令人興奮的是，成本不到30美金（約217元），就可以親眼見證‘啊哈’時刻。

　　這個項目叫做TinyZero，採用了R1-Zero算法——給定一個基礎語言模型、提示和真實獎勵信號，運行強化學習。

　　然後，團隊將其應用在CountDown遊戲中（這是一個玩家使用基礎算術運算，將數字組合以達到目標數字的遊戲）。

　　模型從最初的簡單輸出開始，逐步進化出自我糾正和搜索的策略。

　　在以下示例中，模型提出瞭解決方案，自我驗證，並反覆糾正，直到解決問題爲止。

　　在消融實驗中，研究人員運行了Qwen-2.5-Base（0.5B、1.5B、3B、7B四種參數規模）。

　　結果發現，0.5B模型僅僅是猜測一個解決方案然後停止。而從1.5B開始，模型學會了搜索、自我驗證和修正其解決方案，從而能夠獲得更高的分數。

　　他們認爲，在這個過程，基礎模型的是性能的關鍵。

　　他們還驗證了，額外的指令微調（SFT）並非是必要的，這也印證了R1-Zero的設計決策。

　　這是首個驗證LLM推理能力的實現可以純粹通過RL，無需監督微調的開源研究

　　基礎模型和指令模型兩者區別：

　　此外，他們還發現，具體的RL算法並不重要。PPO、GRPO、PRIME這些算法中，長思維鏈（Long CoT）都能夠湧現，且帶來不錯的性能表現。

　　而且，模型在推理行爲中非常依賴於具體的任務：

　　蘋果機器學習科學家Yizhe Zhang對此表示，太酷了，小到1.5B的模型，也能通過RL湧現出自我驗證的能力。

　　7B模型復刻，結果令人驚訝

　　港科大助理教授何俊賢的團隊（共同一作黃裕振、Weihao Zeng），只用了8K個樣本，就在7B模型上覆刻出了DeepSeek-R1-Zero和DeepSeek-R1的訓練。

　　結果令人驚喜——模型在複雜的數學推理上取得了十分強勁結果。

　　項目地址：https：//github.com/hkust-nlp/simpleRL-reason

　　他們以Qwen2.5-Math-7B（基礎模型）爲起點，直接對其進行強化學習。

　　整個過程中，沒有進行監督微調（SFT），也沒有使用獎勵模型。

　　最終，模型在AIME基準上實現了33.3%的準確率，在AMC上爲62.5%，在MATH上爲77.2%。

　　這一表現不僅超越了Qwen2.5-Math-7B-Instruct，並且還可以和使用超過50倍數據量和更復雜組件的PRIME和rStar-MATH相媲美！

　　其中，Qwen2.5-7B-SimpleRL-Zero是在Qwen2.5-Math-7B基礎模型上僅使用純PPO方法訓練的，僅採用了MATH數據集中的8K樣本。

　　Qwen2.5-7B-SimpleRL則首先通過Long CoT監督微調（SFT）作爲冷啓動，然後再進行強化學習。

　　在這兩種方法中，團隊都只使用了相同的8K MATH樣本，僅此而已。

　　大概在第44步的時候，‘啊哈時刻’出現了！模型的響應中，出現了自我反思。

　　並且，在這個過程中，模型還顯現了更長的CoT推理能力和自我反思能力。

　　在博客中，研究者詳細剖析了實驗設置，以及在這個強化學習訓練過程中所觀察到的現象，例如長鏈式思考（CoT）和自我反思機制的自發形成。

　　與DeepSeek R1類似，研究者的強化學習方案極其簡單，沒有使用獎勵模型或MCTS（蒙特卡洛樹搜索）類技術。

　　他們使用的是PPO算法，並採用基於規則的獎勵函數，根據生成輸出的格式和正確性分配獎勵：

　　該實現基於OpenRLHF。初步試驗表明，這個獎勵函數有助於策略模型快速收斂，產生符合期望格式的輸出。

　　第一部分：SimpleRL-Zero（從頭開始的強化學習）

　　接下來，研究者爲我們分享了訓練過程動態分析和一些有趣的湧現模式。

　　訓練過程動態分析

　　如下所示，所有基準測試的準確率在訓練過程中都在穩步提高，而輸出長度則呈現先減少後逐漸增加的趨勢。

　　經過進一步調查，研究者發現，Qwen2.5-Math-7B基礎模型在初始階段傾向於生成大量代碼，這可能源於模型原始訓練數據的分佈特徵。

　　輸出長度的首次下降，是因爲強化學習訓練逐漸消除了這種代碼生成模式，轉而學會使用自然語言進行推理。

　　隨後，生成長度開始再次增加，此時出現了自我反思機制。

　　訓練獎勵和輸出長度

　　基準測試準確率（pass@1）和輸出長度

　　自我反思機制的湧現

　　在訓練到第 40 步左右時，研究者觀察到：模型開始形成自我反思模式，這正是DeepSeek-R1論文中所描述的‘aha moment’（頓悟時刻）。

　　第二部分：SimpleRL（基於模仿預熱的強化學習）

　　如前所述，研究者在進行強化學習之前，先進行了long CoT SFT預熱，使用了8，000個從QwQ-32B-Preview中提取的MATH示例響應作爲SFT數據集。

　　這種冷啓動的潛在優勢在於：模型在開始強化學習時已具備long CoT思維模式和自我反思能力，從而可能在強化學習階段實現更快更好的學習效果。

　　與RL訓練前的模型（Qwen2.5-Math-7B-Base + 8K QwQ知識蒸餾版本）相比，Qwen2.5-7B-SimpleRL的平均性能顯著提升了6.9個百分點。

　　此外，Qwen2.5-7B-SimpleRL不僅持續優於Eurus-2-7B-PRIME，還在5個基準測試中的3個上超越了Qwen2.5-7B-SimpleRL-Zero。

　　訓練過程分析

　　訓練獎勵和輸出長度

　　基準測試準確率（pass@1）和輸出長度

　　Qwen2.5-SimpleRL的訓練動態表現與Qwen2.5-SimpleRL-Zero相似。

　　有趣的是，儘管研究者先進行了long CoT SFT，但在強化學習初期仍然觀察到輸出長度減少的現象。

　　他們推測，這可能是因爲從QwQ提取的推理模式不適合小型策略模型，或超出了其能力範圍。

　　因此，模型選擇放棄這種模式，轉而自主發展新的長鏈式推理方式。

　　最後，研究者用達芬奇的一句話，對這項研究做了總結——

　　簡約，便是最終極的精緻。

　　完全開源復刻，HuggingFace下場了

　　甚至，就連全球最大開源平臺HuggingFace團隊，今天官宣復刻DeepSeek R1所有pipeline。

　　復刻完成後，所有的訓練數據、訓練腳本等等，將全部開源。

　　這個項目叫做Open R1，當前還在進行中。發佈到一天，星標衝破1.9k，斬獲142個fork。

　　項目地址：https：//github.com/huggingface/open-r1

　　研究團隊以DeepSeek-R1技術報告爲指導，將整個復刻過程劃分爲三個關鍵步驟。

　　從斯坦福到MIT，R1成爲首選

　　一個副業項目，讓全世界科技大廠爲之惶恐。

　　DeepSeek這波成功，也成爲業界的神話，網友最新截圖顯示，這款應用已經在APP Store‘效率’應用榜單中擠進前三。

　　在Hugging Face中，R1下載量直接登頂，另外3個模型也霸佔着熱榜。

　　a16z合夥人Anjney Midha稱，一夜之間，從斯坦福到MIT，DeepSeek R1已經成爲美國頂尖高校研究人員‘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

責任編輯：石秀珍 SF183