全球掀DeepSeek復現狂潮30刀見證”啊哈”時刻
就在剛剛，網路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。
這幾天，矽谷徹底處於中國公司帶來的大地震餘波。
全美都在恐慌：全球人工智慧的中心是否已經轉移到中國了？
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，對這個產業真的必要嗎？甚至有人說，中國量化基金的一群天才，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，團隊驗證了透過強化學習RL，3B的基礎語言模型也能夠自我驗證和搜尋。
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。
這個專案叫做TinyZero，採用了R1-Zero演算法——給定一個基礎語言模型、提示和真實獎勵訊號，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，逐步演化出自我修正和搜尋的策略。
在以下範例中，模型提出了解決方案，自我驗證，並反覆修正，直到解決問題為止。
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模型只是猜測一個解然後停止。而從1.5B開始，模型學會了搜尋、自我驗證和修正其解決方案，從而能夠獲得更高的分數。
他們認為，在這個過程，基礎模型的是表現的關鍵。
他們也驗證了，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。
這是第一個驗證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差異：
此外，他們也發現，具體的RL演算法並不重要。 PPO、GRPO、PRIME這些演算法中，長思維鏈（Long CoT）都能夠湧現，並帶來不錯的效能表現。
而且，模型在推理行為中非常依賴具體的任務：
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，也能透過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模型上復刻出了DeepSeek-R1-Zero和DeepSeek-R1的訓練。
結果令人驚訝——模型在複雜的數學推理上取得了十分強勁結果。
專案地址：https：//github.com/hkust-nlp/simpleRL-reason
他們以Qwen2.5-Math-7B（基礎模型）為起點，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上為62.5%，在MATH上為77.2%。
這一表現不僅超越了Qwen2.5-Math-7B-Instruct，而且還可以和使用超過50倍數據量和更複雜組件的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資料集中的8K樣本。
Qwen2.5-7B-SimpleRL則先透過Long CoT監督微調（SFT）作為冷啟動，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！在模型的回應中，出現了自我反思。
並且，在這個過程中，模型也顯現了更長的CoT推理能力和自我反思能力。
在部落格中，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，例如長鍊式思考（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為簡單，沒有使用獎勵模型或MCTS（蒙特卡羅樹搜尋）類技術。
他們使用的是PPO演算法，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，研究者為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定提高，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產生大量程式碼，這可能源自於模型原始訓練資料的分佈特徵。
輸出長度的首次下降，是因為強化學習訓練逐漸消除了這種程式碼產生模式，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範例反應作為SFT資料集。
這種冷啟動的潛在優勢在於：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。
与RL训练前的模型（Qwen2.5-Math-7B-Base + 8K QwQ知识蒸馏版本）相比，Qwen2.5-7B-SimpleRL的平均性能显著提升了6.9个百分点。
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，這可能是因為從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鍊式推理方式。
最後，研究者用達文西的一句話，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台HuggingFace團隊，今天官宣復刻DeepSeek R1所有pipeline。
復刻完成後，所有的訓練資料、訓練腳本等等，都會全部開源。
這個專案叫做Open R1，目前還在進行中。發佈到一天，星標衝破1.9k，斬獲142個fork。
專案地址：https：//github.com/huggingface/open-r1
研究團隊以DeepSeek-R1技術報告為指導，將整個復刻過程劃分為三個關鍵步驟。
從史丹佛到MIT，R1成為首選
一個副業項目，讓全世界科技大廠為之惶恐。
DeepSeek這波成功，也成為業界的神話，網友最新截圖顯示，這款應用程式已經在APP Store’效率’應用名單中擠進前三名。
在Hugging Face中，R1下載量直接登頂，另外3個機型也霸佔熱榜。
a16z合夥人Anjney Midha稱，一夜之間，從史丹佛到MIT，DeepSeek R1已經成為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，這次真的震撼了全世界。
參考資料：