DeepSeek-R1-Zero訓(xùn)練揭秘：沈向洋等開(kāi)源大神如何復(fù)刻1/30訓(xùn)練步驟，揭示RL訓(xùn)練新篇章
在深度探索的領(lǐng)域中，DeepSeek以其卓越的性能和開(kāi)源精神贏得了廣泛贊譽(yù)。然而，DeepSeek在開(kāi)源訓(xùn)練代碼和數(shù)據(jù)方面的缺失，引發(fā)了業(yè)界的關(guān)注和討論。近期，國(guó)內(nèi)大模型六小強(qiáng)之一的階躍星辰聯(lián)與清華聯(lián)合發(fā)布的Open Reasoner Zero（ORZ）引起了我們的注意。ORZ在響應(yīng)長(zhǎng)度上，僅用約17%的訓(xùn)練步驟就能趕上DeepSeek-R1-Zero 671B，其成果令人矚目。
DeepSeek-R1-Zero的訓(xùn)練揭秘，實(shí)際上也是對(duì)強(qiáng)化學(xué)習(xí)（RL）訓(xùn)練的新篇章的揭示。沈向洋等開(kāi)源大神通過(guò)極簡(jiǎn)主義的方法，使用帶有GAE的原版PPO就可以有效地?cái)U(kuò)展RL訓(xùn)練，這無(wú)疑為RL訓(xùn)練提供了新的可能。同時(shí)，基于規(guī)則的獎(jiǎng)勵(lì)函數(shù)的應(yīng)用，也使得在推理任務(wù)上同時(shí)擴(kuò)大響應(yīng)長(zhǎng)度和基準(zhǔn)性能成為可能。這一發(fā)現(xiàn)表明，復(fù)雜的獎(jiǎng)勵(lì)函數(shù)并非必需。
值得注意的是，Open Reasoner Zero在訓(xùn)練過(guò)程中的一個(gè)重要轉(zhuǎn)折點(diǎn)——在訓(xùn)練步驟約680步時(shí)，模型的訓(xùn)練獎(jiǎng)勵(lì)值、反思能力和回答長(zhǎng)度同時(shí)出現(xiàn)顯著提升，疑似出現(xiàn)了DeepSeek-R1-Zero論文中類似的“頓悟時(shí)刻”（aha moment）。這一發(fā)現(xiàn)令人興奮，它暗示著RL訓(xùn)練的潛力和可能性仍在未知領(lǐng)域等待挖掘。
在實(shí)現(xiàn)穩(wěn)定訓(xùn)練的過(guò)程中，團(tuán)隊(duì)沒(méi)有依賴任何基于KL的正則化技術(shù)，這為進(jìn)一步擴(kuò)大強(qiáng)化學(xué)習(xí)規(guī)模提供了新的可能。同時(shí)，大規(guī)模多樣化數(shù)據(jù)集的精心策劃對(duì)于Open Reasoner Zero的訓(xùn)練至關(guān)重要。在以Qwen2.5-Base-7B為基礎(chǔ)模型的實(shí)驗(yàn)中，所有基準(zhǔn)測(cè)試在某個(gè)時(shí)間點(diǎn)都會(huì)經(jīng)歷獎(jiǎng)勵(lì)和響應(yīng)長(zhǎng)度的突然增加，這種現(xiàn)象類似于涌現(xiàn)行為。這進(jìn)一步證明了數(shù)據(jù)多樣化和規(guī)模的重要性，為強(qiáng)化學(xué)習(xí)研究提供了新的視角。
Open-Reasoner-Zero模型在MMLU和MMLU_PRO基準(zhǔn)測(cè)試中，無(wú)需任何額外的指令調(diào)整，即可超越Qwen2.5 Instruct，這一成果無(wú)疑為RL研究注入了新的活力。
這一切的背后，是沈向洋等開(kāi)源大神的智慧和努力。他們的研究成果不僅揭示了RL訓(xùn)練的新篇章，也為強(qiáng)化學(xué)習(xí)的未來(lái)發(fā)展指明了方向。他們的精神和對(duì)開(kāi)源的承諾，無(wú)疑將激勵(lì)更多的人投身到強(qiáng)化學(xué)習(xí)的研究中來(lái)。
總的來(lái)說(shuō)，DeepSeek-R1-Zero的訓(xùn)練揭秘為我們展示了RL訓(xùn)練的新可能性和新視角。這不僅是對(duì)沈向洋等開(kāi)源大神的致敬，也是對(duì)強(qiáng)化學(xué)習(xí)研究的新期待。我們期待著更多像Open Reasoner Zero這樣的研究出現(xiàn)，推動(dòng)強(qiáng)化學(xué)習(xí)研究的深入和發(fā)展。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。 ）
