DeepSeek-R1的訓(xùn)練方法為L(zhǎng)LM的訓(xùn)練帶來(lái)了新變革。

原標(biāo)題：DeepSeek-R1 論文帶來(lái)的 LLM 全新思維
文章來(lái)源：智猩猩GenAI
內(nèi)容字?jǐn)?shù)：5077字

DeepSeek-R1: 顛覆LLM訓(xùn)練的新思路

本文總結(jié)了知乎文章中關(guān)于DeepSeek-R1論文的解讀，該論文提出了一種利用強(qiáng)化學(xué)習(xí) (RL) 來(lái)訓(xùn)練大型語(yǔ)言模型 (LLM) 的新方法，顯著減少了對(duì)監(jiān)督微調(diào) (SFT) 的依賴，并實(shí)現(xiàn)了推理時(shí)間伸縮 (Inference Time Scaling)。

1. RL與推理時(shí)間伸縮的融合

DeepSeek-R1的核心創(chuàng)新在于將RL作為核心訓(xùn)練方法，而非簡(jiǎn)單的補(bǔ)充。通過(guò)精心設(shè)計(jì)的獎(jiǎng)勵(lì)模型和訓(xùn)練流程，模型能夠自主學(xué)習(xí)長(zhǎng)鏈推理和自我反思能力，這些能力并非通過(guò)人工標(biāo)注數(shù)據(jù)強(qiáng)行灌輸，而是在RL訓(xùn)練過(guò)程中自然涌現(xiàn)。這使得推理時(shí)間伸縮不再是的過(guò)程，而是RL訓(xùn)練的自然結(jié)果。模型根據(jù)問(wèn)題的難度自動(dòng)調(diào)整推理深度和廣度，直接實(shí)現(xiàn)Inference Time Scaling，這暗示著達(dá)到“o1能力”可能比我們預(yù)想的更容易。

2. 簡(jiǎn)單有效的規(guī)則獎(jiǎng)勵(lì)模型

DeepSeek-R1采用基于規(guī)則的獎(jiǎng)勵(lì)模型，而非復(fù)雜的神經(jīng)網(wǎng)絡(luò)。這種方法避免了神經(jīng)網(wǎng)絡(luò)獎(jiǎng)勵(lì)模型容易出現(xiàn)的“獎(jiǎng)勵(lì)作弊”問(wèn)題，并且訓(xùn)練效率高、資源消耗低。規(guī)則的明確性和可解釋性也方便了調(diào)整和優(yōu)化評(píng)估標(biāo)準(zhǔn)。

3. SFT的巧妙運(yùn)用

DeepSeek-R1的訓(xùn)練分為兩個(gè)階段：第一階段先用少量高質(zhì)量數(shù)據(jù)進(jìn)行SFT，為模型建立基本的推理能力；然后進(jìn)行第一輪reasoning-focused RL，提升模型在特定任務(wù)上的推理能力。第二階段則利用第一階段訓(xùn)練好的模型生成新的SFT數(shù)據(jù)，解決模型輸出的可讀性和語(yǔ)言融合問(wèn)題，并進(jìn)一步豐富推理模式，再進(jìn)行第二輪RL，提升模型的幫助性和無(wú)害性。SFT在這里扮演“基礎(chǔ)訓(xùn)練”的角色，為后續(xù)RL訓(xùn)練奠定基礎(chǔ)，而非每個(gè)RL步驟都需重復(fù)進(jìn)行。

4. 動(dòng)態(tài)生成和混合數(shù)據(jù)

在RL訓(xùn)練接近收斂時(shí)，DeepSeek-R1利用當(dāng)前模型生成高質(zhì)量數(shù)據(jù)，并與原始監(jiān)督數(shù)據(jù)混合，增加數(shù)據(jù)多樣性，讓模型學(xué)習(xí)自身生成的高質(zhì)量例子。

5. 對(duì)LLM訓(xùn)練的新認(rèn)識(shí)

DeepSeek-R1的成果顛覆了以往對(duì)LLM訓(xùn)練的認(rèn)知：

1. RL與推理能力的關(guān)系：合適的RL設(shè)置能夠讓模型自主學(xué)習(xí)推理和反思，減少對(duì)大量人工標(biāo)注數(shù)據(jù)的依賴。
2. 數(shù)據(jù)質(zhì)量與數(shù)據(jù)動(dòng)態(tài)性：數(shù)據(jù)質(zhì)量和動(dòng)態(tài)性可能比數(shù)據(jù)量更重要。動(dòng)態(tài)生成和篩選高質(zhì)量數(shù)據(jù)能以較少的數(shù)據(jù)量取得良好效果。
3. 模型的自我進(jìn)化能力：模型在訓(xùn)練過(guò)程中能夠自主學(xué)習(xí)更長(zhǎng)的推理過(guò)程和自我反思能力，展現(xiàn)出巨大的潛力。

6. 規(guī)則獎(jiǎng)勵(lì)模型的具體設(shè)計(jì)

規(guī)則獎(jiǎng)勵(lì)模型通過(guò)一套評(píng)分標(biāo)準(zhǔn)對(duì)模型輸出進(jìn)行評(píng)估，包括準(zhǔn)確性、格式規(guī)范性、推理過(guò)程合理性等方面。通過(guò)優(yōu)化不同規(guī)則的權(quán)重，可以更好地平衡不同規(guī)則之間的獎(jiǎng)勵(lì)，提高模型性能。具體的規(guī)則包括準(zhǔn)確性獎(jiǎng)勵(lì)（例如，在數(shù)學(xué)問(wèn)題中驗(yàn)證答案正確性）和格式獎(jiǎng)勵(lì)（例如，規(guī)范模型輸出的格式，例如使用<think>和<answer>標(biāo)簽）。

7. 總結(jié)

DeepSeek-R1的訓(xùn)練方法為L(zhǎng)LM訓(xùn)練帶來(lái)了新的變革，通過(guò)巧妙地結(jié)合RL、規(guī)則獎(jiǎng)勵(lì)模型和動(dòng)態(tài)數(shù)據(jù)生成，顯著提高了訓(xùn)練效率，降低了對(duì)資源的依賴，為L(zhǎng)LM訓(xùn)練提供了新的思路和方法，并可能大幅降低訓(xùn)練成本，讓更多人參與模型訓(xùn)練。

聯(lián)系作者

文章來(lái)源：智猩猩GenAI
作者微信：
作者簡(jiǎn)介：智猩猩旗下賬號(hào)，專注于生成式人工智能，主要分享技術(shù)文章、論文成果與產(chǎn)品信息。