全球掀DeepSeek復現狂潮！矽谷巨頭神話崩塌，30刀見證“啊哈時刻”

2025-05-04 04:14 灼見

Jan.
27
灼見（ID：penetratingview）
中國AI，這一次真的震撼了世界。
來源 | 新智元（AI_era）

這些天，矽谷徹底處於中國公司帶來的大地震餘波中。全美都在恐慌：是否全球人工智慧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！”
“在沒有頂級晶片的情況下，以極低成本晶片訓出突破性模型的DeepSeek，或將威脅到美國的AI霸權。”
“大模型比拼的不再是動輒千萬億美元的算力戰。”
“OpenAI、Meta、谷歌這些大公司引以為傲的技術優勢和高估值將會瓦解，英偉達的股價將開始動搖。”
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：
超強效能的模型不再獨屬於算力巨頭，而是屬於每個人。
01
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，執行強化學習。
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尋的策略。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四種引數規模）。
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，基礎模型的是效能的關鍵。
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透過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：
指令模型執行速度快，但最終表現與基礎模型相當；
指令輸出的模型更具結構性和可讀性。
此外，他們還發現，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，且帶來不錯的效能表現。
而且，模型在推理行為中非常依賴於具體的任務：
對於Countdow任務，模型學習進行搜尋和自我驗證；
對於數字乘法任務，模型反而學習使用分佈規則分解問題，並逐步解決。
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。
02
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。
（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，並且還可以和使用超過50倍資料量和更復雜元件的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則首先透過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！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。
在部落格中，研究者詳細剖析了實驗設定，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式，根據生成輸出的格式和正確性分配獎勵：
如果輸出以指定格式提供最終答案且正確，獲得＋1的獎勵；
如果輸出提供最終答案但不正確，獎勵設為-0.5；
如果輸出未能提供最終答案，獎勵設為-1。
該實現基於OpenRLHF。初步試驗表明，這個獎勵函式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。

1. 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程式碼，這可能源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

2. 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。
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的平均效能顯著提升了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。

1. 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。
03
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，所有的訓練資料、訓練指令碼等等，將全部開源。
這個專案叫做Open R1，當前還在進行中。釋出到一天，星標衝破1.9k，斬獲142個fork。
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。
步驟 1：透過從DeepSeek-R1蒸餾高質量語料庫，復現R1-Distill模型。
步驟 2：復現DeepSeek用於建立R1-Zero的純強化學習（RL）流程。這可能需要為數學、推理和程式碼任務策劃新的大規模資料集。
步驟 3：展示我們如何透過多階段訓練，從基礎模型發展到經過RL調優的模型。
04
從斯坦福到MIT，R1成為首選
一個副業專案，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個模型也霸佔著熱榜。
a16z合夥人Anjney Midha稱，一夜之間，從斯坦福到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
— THE END —
☀本文選自新智元（AI_era），原文連結：https://mp.weixin.qq.com/s/o41vPh9eJCVjCRUE4u5npA。

MORE

灼見熱文 

◐◑任正非力薦：高管需讀的三本書
◐◑專挑過年前後對熟人下手，這種“殺年豬”的局，千萬小心！
◐◑千萬別再用這個姿勢刷手機了！傷的不只是眼睛，很多人還在做……
◐◑春晚官宣！王菲獻唱
◐◑園區到處是噴濺血跡，中國人被反覆買賣……緬北電詐更多犯罪細節曝光


相關文章