著名 AI 研究者和博主 Sebastian Raschka 又更新博客了。這一次，他將立足于 DeepSeek 技術(shù)報告，介紹用于構(gòu)建推理模型的四種主要方法，也就是如何通過推理能力來增強(qiáng) LLM。Sebastian Raschka 表示：「我希望這能提供有價值的見解，并幫助你了解圍繞這一主題的快速演變的文獻(xiàn)和話題炒作?！?/p>

原文地址：https://sebastianraschka.com/blog/2025/understanding-reasoning-llms.html

2024 年，LLM 領(lǐng)域的專業(yè)化程度不斷提高。除了預(yù)訓(xùn)練和微調(diào)之外，我們還見證了從 RAG 到代碼助手等專業(yè)應(yīng)用的興起。我預(yù)計這一趨勢將在 2025 年加速，也就是更加重視特定于具體領(lǐng)域和應(yīng)用的優(yōu)化（即專業(yè)化 /specialization）。

第 1-3 階段是開發(fā) LLM 的常見步驟。第 4 階段是針對具體用例對 LLM 進(jìn)行專門化。

開發(fā)推理模型就是一種專業(yè)化。這能讓 LLM 更擅長處理復(fù)雜任務(wù) —— 解決這些任務(wù)時最好使用中間步驟，例子包括解答謎題、高級數(shù)學(xué)和編程難題。但是，這種專業(yè)化并不能取代其他 LLM 應(yīng)用。因為將 LLM 轉(zhuǎn)換為推理模型也會帶來某些缺點，我將在后面討論。

如何定義「推理模型」？

如果你在 AI（或廣義上的機(jī)器學(xué)習(xí)）領(lǐng)域內(nèi)工作，你可能已經(jīng)很了解相關(guān)定義的模糊性了?！竿评砟Ｐ停╮easoning model）」這個術(shù)語也不例外。最終，有人會在一篇論文中正式定義它，但卻又會在下一篇論文中重新定義它，如此連綿不斷。

本文將「推理」定義為回答需要復(fù)雜、多步驟生成和中間步驟的問題的過程。例如，像「法國首都是哪里？」這樣的事實性問答不需要推理。相比之下，像「如果一列火車以 60 英里 / 小時的速度行駛 3 小時，它會行駛多遠(yuǎn)？」這樣的問題需要一些簡單的推理 —— 它需要識別距離、速度和時間之間的關(guān)系，方能得出答案。

常規(guī)的 LLM 可能只提供簡短的答案（如左圖所示），而推理模型通常包括揭示部分思維過程的中間步驟。（請注意，許多沒有專門為推理任務(wù)開發(fā)的 LLM 也能在其答案中提供中間推理步驟。）

大多數(shù)現(xiàn)代 LLM 都具有基本的推理能力，可以回答諸如「如果一列火車以 60 英里 / 小時的速度行駛 3 小時，它會行駛多遠(yuǎn)？」這樣的問題。因此，今天當(dāng)我們提到推理模型時，我們通常指的是擅長更復(fù)雜推理任務(wù)的 LLM，例如解決謎題、謎語和數(shù)學(xué)證明。

此外，如今大多數(shù)被稱為推理模型的 LLM 都將「思維」或「思考」過程作為其響應(yīng)的一部分。LLM 是否以及如何真正「思考」則是另一個話題了。

推理模型中的中間步驟可以兩種方式出現(xiàn)。第一種，中間步驟可能顯式地出現(xiàn)在響應(yīng)中，如上圖所示。第二種，一些推理 LLM（例如 OpenAI o1）則會運行多個迭代，中間步驟對用戶來說是不可見的。

使用「推理」的兩個不同層級：1）通過多個中間步驟處理輸入和生成結(jié)果，2）將某種形式的推理放在響應(yīng)中提供給用戶。

什么時候應(yīng)該使用推理模型？

現(xiàn)在我們已經(jīng)定義了推理模型，接下來討論更有趣的部分：如何構(gòu)建和改進(jìn)用于推理任務(wù)的 LLM。然而，在深入研究技術(shù)細(xì)節(jié)之前，重要的是思考何時才真正需要推理模型。

我們什么時候需要推理模型？推理模型擅長解決復(fù)雜任務(wù)，例如解決難題、高級數(shù)學(xué)問題和高難度編程任務(wù)。但是，對于總結(jié)、翻譯或基于知識的問答等簡單任務(wù)，它們并不是必需的。事實上，如果你將推理模型用于所有事情，則可能遭遇低效率和高成本問題。例如，推理模型通常使用起來更昂貴、更冗長，有時由于「過度思考」而更容易出錯。很容易理解：為了完成任務(wù)，需要使用正確的工具（或 LLM 類型）。

下圖總結(jié)了推理模型的主要優(yōu)勢和局限性。

推理模型的主要優(yōu)勢和劣勢。

推理模式的優(yōu)勢：

• 演繹或歸納推理（例如解密、數(shù)學(xué)證明）
• 思維鏈推理（分解成多步驟問題）
• 復(fù)雜的決策任務(wù)
• 能更好地泛化到新問題

推理模式的劣勢：

• 快速且低成本的響應(yīng)（更多推理時間）
• 基于知識的任務(wù)（幻覺）
• 簡單任務(wù)（過度思考）

簡要了解 DeepSeek 訓(xùn)練流程

在下一節(jié)討論構(gòu)建和改進(jìn)推理模型的四種主要方法之前，這里簡要概述一下 DeepSeek R1 的工作流程 —— 信息來源是 DeepSeek R1 技術(shù)報告。該報告既是一個有趣的案例研究，也可作為一份開發(fā)推理 LLM 的藍(lán)圖。

請注意，DeepSeek 并沒有發(fā)布單一的 R1 推理模型，而是發(fā)布了三個不同的變體：DeepSeek-R1-Zero、DeepSeek-R1 和 DeepSeek-R1-Distill。

根據(jù)其技術(shù)報告中的描述，我在下圖中總結(jié)了這些模型的開發(fā)過程。

DeepSeek R1 技術(shù)報告中討論的三種不同推理模型的開發(fā)過程。

接下來，我們簡單過一遍上圖所示的流程。下一節(jié)將介紹更多細(xì)節(jié) —— 將討論構(gòu)建和改進(jìn)推理模型的四種主要方法。

(1) DeepSeek-R1-Zero：該模型基于 2024 年 12 月發(fā)布的 671B 預(yù)訓(xùn)練版 DeepSeek-V3 基礎(chǔ)模型。該研究團(tuán)隊使用強(qiáng)化學(xué)習(xí)（RL）對其進(jìn)行了訓(xùn)練，并提供了兩種類型的獎勵。這種方法被稱為「冷啟動（cold start）」訓(xùn)練，因為它不包括監(jiān)督微調(diào)（SFT）步驟，而這通常是基于人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）的一部分。

(2) DeepSeek-R1：這是 DeepSeek 的旗艦推理模型，基于 DeepSeek-R1-Zero 而構(gòu)建。該團(tuán)隊使用了額外的 SFT 階段和進(jìn)一步的 RL 訓(xùn)練對其進(jìn)行了進(jìn)一步微調(diào)，從而在「冷啟動」的 R1-Zero 模型基礎(chǔ)上實現(xiàn)了提升。

(3) DeepSeek-R1-Distill：DeepSeek 團(tuán)隊利用前面步驟生成的 SFT 數(shù)據(jù)對 Qwen 和 Llama 模型進(jìn)行了微調(diào)，以增強(qiáng)其推理能力。雖然這不是傳統(tǒng)意義上的蒸餾，但這個過程也確實是在較大的 DeepSeek-R1 671B 模型的輸出上訓(xùn)練較小的模型（Llama 8B 和 70B，以及 Qwen 1.5B-30B）。

構(gòu)建和改進(jìn)推理模型的 4 種主要方法

下面將概述當(dāng)前用于增強(qiáng) LLM 推理能力和構(gòu)建專門的推理模型（如 DeepSeek-R1、OpenAI 的 o1 和 o3 等）的關(guān)鍵技術(shù)。

注意：OpenAI 并未詳細(xì)說明 o1 和 o3 的具體工作原理。然而，據(jù)傳它們組合式地利用了推理和訓(xùn)練技術(shù)。

1. 推理時間擴(kuò)展

提高 LLM 推理能力（或任何能力）的一種方法是推理時間擴(kuò)展（inference-time scaling）。這個術(shù)語可以有多種含義，但在這里，它指的是在推理過程中增加計算資源以提高輸出質(zhì)量。

做個粗略的類比：人類在解決復(fù)雜問題時，如果給他更多時間，得到的答案往往會更好。類似地，我們可以應(yīng)用一些技術(shù)來鼓勵 LLM 在生成答案時更多地「思考」。（不過 LLM 究竟是否真的會「思考」還有待討論。）

推理時間擴(kuò)展的一種直接簡單的方法是巧妙的提示詞工程。一個典型的例子是思維鏈（CoT）提示方法，即在輸入的提示詞中包含「think step by step」等短語。這能鼓勵模型生成中間推理步驟，而不是直接跳到最終答案，這通常（但并不一定）可以在更復(fù)雜的問題上得到更準(zhǔn)確的結(jié)果。（請注意，對于更簡單的基于知識的問題，例如「法國的首都是什么」，采用這種策略是沒有意義的，這又是一個很好的經(jīng)驗法則，可以找出推理模型是否對給定的輸入查詢有用。）

一個經(jīng)典 CoT 提示示例，來自論文《Large Language Models are Zero-Shot Reasoners》

上述 CoT 方法可被視為一種推理時間擴(kuò)展，因為它會生成更多輸出 token，使推理的成本也會更高。

推理時間擴(kuò)展的另一種方法是使用投票和搜索策略。一個簡單的例子是多數(shù)投票 —— 讓 LLM 生成多個答案，然后我們通過多數(shù)投票選擇正確的答案。同樣，我們可以使用集束搜索和其他搜索算法來生成更好的響應(yīng)。

這里強(qiáng)烈推薦一篇論文：

論文標(biāo)題：Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters

論文地址：https://arxiv.org/pdf/2408.03314

不同的基于搜索的方法依賴于基于過程獎勵的模型來選擇最佳答案。

DeepSeek R1 技術(shù)報告指出其模型沒有使用推理時間擴(kuò)展。然而，這種技術(shù)通常在 LLM 之上的應(yīng)用層實現(xiàn)，因此 DeepSeek 有可能會在其應(yīng)用中使用它。

我猜想 OpenAI 的 o1 和 o3 模型使用了推理時間擴(kuò)展，這可以解釋為什么它們與 GPT-4o 等模型相比相對昂貴。除了推理時間擴(kuò)展之外，o1 和 o3 可能使用類似于 DeepSeek R1 使用的 RL 流程進(jìn)行訓(xùn)練。下面兩節(jié)將詳細(xì)介紹強(qiáng)化學(xué)習(xí)。

2. 純 RL

DeepSeek R1 論文的亮點之一是他們發(fā)現(xiàn)推理是純 RL 涌現(xiàn)出的一種行為。讓我們更詳細(xì)地探討一下這意味著什么。

如前所述，DeepSeek 開發(fā)了三種類型的 R1 模型。第一個 DeepSeek-R1-Zero 建立在 DeepSeek-V3 基礎(chǔ)模型之上，這是他們于 2024 年 12 月發(fā)布的標(biāo)準(zhǔn)預(yù)訓(xùn)練 LLM。與典型的 RL 流程不同（即在 RL 之前應(yīng)用監(jiān)督微調(diào)（SFT）），DeepSeek-R1-Zero 僅使用 RL 進(jìn)行訓(xùn)練，沒有初始 SFT 階段，如下圖所示。

DeepSeek-R1-Zero 模型的開發(fā)過程。

盡管如此，這種 RL 過程類似于常用的 RLHF 方法，后者通常應(yīng)用于偏好微調(diào) LLM。更多詳情可參閱《LLM 成功不可或缺的基石：RLHF 及其替代技術(shù)》。但是，如上所述，DeepSeek-R1-Zero 的主要區(qū)別在于他們跳過了用于指令調(diào)整的監(jiān)督微調(diào)（SFT）階段。這就是他們將其稱為「純」RL 的原因。（不過需要指出，LLM 背景下的 RL 與傳統(tǒng) RL 有很大不同。）

對于獎勵，他們沒有使用根據(jù)人類偏好訓(xùn)練的獎勵模型，而是采用了兩種類型的獎勵：準(zhǔn)確度獎勵和格式獎勵。

• 準(zhǔn)確度獎勵使用 LeetCode 編譯器來驗證編碼答案，并使用確定性系統(tǒng)來評估數(shù)學(xué)響應(yīng)。
• 格式獎勵依靠 LLM 評判員來確保響應(yīng)遵循預(yù)期格式，例如將推理步驟放在標(biāo)簽內(nèi)。

令人驚訝的是，這種方法足以讓 LLM 發(fā)展出基本的推理技能。研究人員觀察到了一個「啊哈！」時刻，盡管沒有經(jīng)過明確的訓(xùn)練，但模型開始在其響應(yīng)中生成推理痕跡，如下圖所示。

DeepSeek R1 技術(shù)報告展示的「啊哈」時刻，https://arxiv.org/abs/2501.12948

雖然 R1-Zero 并不是表現(xiàn)最好的推理模型，但它確實通過生成中間的「思考」步驟展示了推理能力，如上圖所示。這證實了使用純 RL 開發(fā)推理模型是可能的，DeepSeek 團(tuán)隊是第一個展示（或至少發(fā)布）這種方法的團(tuán)隊。

3. 監(jiān)督微調(diào)加強(qiáng)化學(xué)習(xí)（SFT + RL）

接下來，讓我們看看 DeepSeek 的旗艦推理模型 DeepSeek-R1 的開發(fā)過程，這可作為構(gòu)建推理模型的藍(lán)圖。其方法是通過結(jié)合額外的 SFT 和 RL 來改進(jìn) DeepSeek-R1-Zero，以提高其推理性能。

請注意，在 RL 之前包含 SFT 階段實際上很常見，如標(biāo)準(zhǔn) RLHF 流程那樣。OpenAI o1 很可能就使用了類似的方法。

DeepSeek-R1 模型的開發(fā)過程。

如上圖所示，DeepSeek 團(tuán)隊使用 DeepSeek-R1-Zero 生成了所謂的「冷啟動」SFT 數(shù)據(jù)。術(shù)語「冷啟動」指的是這些數(shù)據(jù)是由 DeepSeek-R1-Zero 生成的，而 DeepSeek-R1-Zero 本身并未接受過任何 SFT 數(shù)據(jù)的訓(xùn)練。

DeepSeek 隨后使用此冷啟動 SFT 數(shù)據(jù)通過指令微調(diào)訓(xùn)練模型，然后進(jìn)行另一個 RL 階段。此 RL 階段保留了 DeepSeek-R1-Zero RL 過程中使用的相同準(zhǔn)確度和格式獎勵。不過，他們還添加了一致性獎勵以防止語言混合 —— 當(dāng)模型在響應(yīng)中在多種語言之間切換時就會發(fā)生這種情況。

RL 階段之后是另一輪 SFT 數(shù)據(jù)收集。在此階段，使用最新的模型檢查點生成 600K 思維鏈 SFT 樣本，同時使用 DeepSeek-V3 基礎(chǔ)模型創(chuàng)建另外 200K 基于知識的 SFT 樣本。

然后將這些 600K + 200K SFT 樣本用于另一輪 RL。在此階段，他們再次使用基于規(guī)則的方法對數(shù)學(xué)和編程問題進(jìn)行準(zhǔn)確度獎勵，而對其他問題類型使用人類偏好標(biāo)簽。

最終模型 DeepSeek-R1 由于增加了 SFT 和 RL 階段，性能在 DeepSeek-R1-Zero 基礎(chǔ)上有了明顯提升，如下表所示。

OpenAI o1 和 DeepSeek R1 模型的基準(zhǔn)評測結(jié)果比較，來自 DeepSeek-R1 技術(shù)報告。

4. 純監(jiān)督微調(diào)（SFT）和蒸餾

到目前為止，我們已經(jīng)介紹了構(gòu)建和改進(jìn)推理模型的三種主要方法：

• 推理時間擴(kuò)展，這是一種無需訓(xùn)練或以其他方式修改底層模型即可提高推理能力的技術(shù)。
• 純 RL，如 DeepSeek-R1-Zero，它表明推理可以在沒有監(jiān)督微調(diào)的情況下成為一種學(xué)習(xí)行為。
• SFT + RL，這得到了 DeepSeek 的旗艦推理模型 DeepSeek-R1。

那么，還有什么方法？模型「蒸餾」。

令人驚訝的是，DeepSeek 還發(fā)布了通過所謂「蒸餾」過程訓(xùn)練的較小模型。然而，在 LLM 語境中，蒸餾并不一定遵循深度學(xué)習(xí)中使用的經(jīng)典知識蒸餾方法。傳統(tǒng)上，在知識蒸餾中，較小的學(xué)生模型在較大的教師模型和目標(biāo)數(shù)據(jù)集的 logits 上進(jìn)行訓(xùn)練。

相反，這里的蒸餾是指在較大的 LLM 生成的 SFT 數(shù)據(jù)集上對較小的 LLM（例如 Llama 8B 和 70B 以及 Qwen 2.5 模型（0.5B 到 32B））進(jìn)行指令微調(diào)。具體來說，這些較大的 LLM 是 DeepSeek-V3 和 DeepSeek-R1 的中間檢查點。事實上，用于此蒸餾過程的 SFT 數(shù)據(jù)與用于訓(xùn)練 DeepSeek-R1 的數(shù)據(jù)集相同，如上一節(jié)所述。

下圖中突出展示了蒸餾部分。

蒸餾版 DeepSeek R1 模型的開發(fā)過程。

他們?yōu)槭裁匆_發(fā)這些蒸餾模型？我認(rèn)為有兩個主要原因：

較小的模型效率更高。這意味著它們運行起來更便宜，但它們也可以在低端硬件上運行，這對許多像我一樣的研究人員和修補(bǔ)匠來說尤其有趣。

純 SFT 案例研究。這些蒸餾模型可作為有趣的基準(zhǔn)，展示純監(jiān)督微調(diào) (SFT) 在沒有 RL 的情況下可以讓模型走多遠(yuǎn)。

下表比較了這些蒸餾模型與其他流行模型以及 DeepSeek-R1-Zero 和 DeepSeek-R1 的性能。

蒸餾模型與非蒸餾模型的基準(zhǔn)比較。注釋圖來自 DeepSeek-R1 技術(shù)報告。 

我們可以看到，蒸餾后的模型明顯弱于 DeepSeek-R1，但與 DeepSeek-R1-Zero 相比，它們卻出奇地強(qiáng)大，盡管規(guī)模小了幾個數(shù)量級。值得注意的是，這些模型與 o1 mini 相比，表現(xiàn)非常好（我懷疑 o1-mini 本身可能是 o1 的一個類似的蒸餾版本）。

在結(jié)束本節(jié)之前，還有一個有趣的比較值得一提。DeepSeek 團(tuán)隊測試了 DeepSeek-R1-Zero 中出現(xiàn)的涌現(xiàn)推理行為是否也會出現(xiàn)在較小的模型中。為了研究這一點，他們將 DeepSeek-R1-Zero 中相同的純 RL 方法直接應(yīng)用于 Qwen-32B。

下表展示了實驗的結(jié)果，其中 QwQ-32B-Preview 是千問團(tuán)隊基于 Qwen 2.5 32B 開發(fā)的參考推理模型（我認(rèn)為訓(xùn)練細(xì)節(jié)從未披露過）。此比較提供了一些額外的洞察，即純 RL 是否可以在比 DeepSeek-R1-Zero 小得多的模型中引導(dǎo)推理能力。

在較小的 32B 模型上對蒸餾和 RL 進(jìn)行基準(zhǔn)比較。注釋圖來自 DeepSeek-R1 技術(shù)報告。

有趣的是，結(jié)果表明，對于較小的模型，蒸餾比純 RL 更有效。這與以下觀點一致：單靠 RL 可能不足以在這種規(guī)模的模型中產(chǎn)生強(qiáng)大的推理能力，而使用高質(zhì)量推理數(shù)據(jù)進(jìn)行 SFT 在使用小模型時可能是一種更有效的策略。

為了完整性，查看表格中的其他比較將會很有用：

• Qwen-32B 使用 SFT + RL 進(jìn)行訓(xùn)練，類似于 DeepSeek-R1 的開發(fā)方式。這將有助于確定當(dāng) RL 與 SFT 結(jié)合時，與純 RL 和純 SFT 相比可以取得多大的改進(jìn)。
• DeepSeek-V3 使用純 SFT 進(jìn)行訓(xùn)練，與創(chuàng)建蒸餾模型的方式類似。這樣可以直接比較，看看 RL + SFT 相對于純 SFT 的效果如何。

總結(jié)

本節(jié)探討了構(gòu)建和改進(jìn)推理模型的四種不同策略：

• 推理時間擴(kuò)展不需要額外的訓(xùn)練，但會增加推理成本，隨著用戶數(shù)量或查詢量的增加，大規(guī)模部署的成本會更高。不過，對于已經(jīng)很強(qiáng)大的模型來說，提高性能仍然是明智之舉。我強(qiáng)烈懷疑 o1 利用了推理時間擴(kuò)展，這有助于解釋為什么與 DeepSeek-R1 相比，它在每 token 基礎(chǔ)上的成本更高。
• 純 RL 對于研究目標(biāo)來說很有趣，因為它可以提供推理作為一種涌現(xiàn)行為的洞察。然而，在實際的模型開發(fā)中，RL + SFT 是首選方法，因為它可以產(chǎn)生更強(qiáng)大的推理模型。我強(qiáng)烈懷疑 o1 也是使用 RL + SFT 進(jìn)行訓(xùn)練的。更準(zhǔn)確地說，我相信 o1 從比 DeepSeek-R1 更弱、更小的基礎(chǔ)模型開始，但通過 RL + SFT 和推理時間擴(kuò)展進(jìn)行了補(bǔ)償。
• 如上所述，RL + SFT 是構(gòu)建高性能推理模型的關(guān)鍵方法。DeepSeek-R1 是一個很好的藍(lán)圖，展示了如何做到這一點。
• 蒸餾是一種有吸引力的方法，尤其是用于創(chuàng)建更小、更高效的模型。然而，蒸餾的局限性在于它不會推動創(chuàng)新或產(chǎn)生下一代推理模型。例如，蒸餾總是依賴于現(xiàn)有的、更強(qiáng)大的模型來生成監(jiān)督微調(diào) (SFT) 數(shù)據(jù)。

我預(yù)計接下來會看到的一個有趣的方面是將 RL + SFT（方法 3）與推理時間擴(kuò)展（方法 1）相結(jié)合。

這很可能是 OpenAI o1 正在做的事情，只不過它可能基于比 DeepSeek-R1 更弱的基礎(chǔ)模型，這解釋了為什么 DeepSeek-R1 表現(xiàn)如此出色，同時在推理時間上保持相對低的成本。

關(guān)于 DeepSeek R1 的思考

最近幾周，很多人都問我對 DeepSeek-R1 模型的看法。

簡而言之，我認(rèn)為它們是一項了不起的成就。作為一名研究工程師，我特別欣賞這份詳細(xì)的技術(shù)報告，它提供了我可以從中學(xué)習(xí)的方法論見解。

最令人著迷的收獲之一是：推理可以基于純 RL 涌現(xiàn)出來。令人印象深刻的是，DeepSeek 已根據(jù)寬松的 MIT 開源許可證對其模型進(jìn)行了開源，該許可證的限制甚至比 Meta 的 Llama 模型還要少。

1. 與 o1 相比如何？

DeepSeek-R1 比 o1 好嗎？我認(rèn)為兩者大致相同。然而，最突出的是 DeepSeek-R1 在推理時間上更高效。這表明 DeepSeek 可能在訓(xùn)練過程中投入了更多，而 OpenAI 可能更多地依賴于 o1 的推理時間擴(kuò)展。

盡管如此，很難直接比較 o1 和 DeepSeek-R1，因為 OpenAI 尚未披露有關(guān) o1 的太多信息。

例如，我們不知道一些信息：

• o1 也是 MoE 嗎？
• o1 有多大？
• o1 可能只是 GPT-4o 的稍微改進(jìn)版本，具有最少的 RL + SFT 和僅廣泛的推理時間擴(kuò)展嗎？

如果不知道這些細(xì)節(jié)，直接比較就是驢唇不對馬嘴了。

2. 訓(xùn)練 DeepSeek-R1 的成本

另一個討論點是開發(fā) DeepSeek-R1 的成本。有人提到訓(xùn)練成本約為 600 萬美元，但他們可能將 DeepSeek-V3（去年 12 月發(fā)布的基礎(chǔ)模型）和 DeepSeek-R1 混為一談。

600 萬美元的估算是基于每 GPU 小時 2 美元的假設(shè)以及 DeepSeek-V3 最終訓(xùn)練運行所需的 GPU 小時數(shù)，該估算最初于 2024 年 12 月進(jìn)行討論。

然而，DeepSeek 團(tuán)隊從未透露 R1 的具體 GPU 小時數(shù)或開發(fā)成本，因此任何成本估算都還只是純粹的猜測。

無論如何，最終 DeepSeek-R1 成為了開放權(quán)重推理模型的一個重要里程碑，并且其推理時的效率使其成為 OpenAI o1 的一個有趣替代品。

在有限的預(yù)算下開發(fā)推理模型

開發(fā) DeepSeek-R1 級推理模型可能需要數(shù)十萬到數(shù)百萬美元，即使從像 DeepSeek-V3 這樣的開放權(quán)重基礎(chǔ)模型開始也是如此。對于預(yù)算有限的研究人員或工程師來說，這可能會令人沮喪。

1. 好消息：蒸餾可以發(fā)揮很大的作用

幸運的是，模型蒸餾提供了一種更具成本效益的替代方案。DeepSeek 團(tuán)隊通過 R1 蒸餾模型證明了這一點，盡管其比 DeepSeek-R1 小得多，但推理性能卻出奇地強(qiáng)大。然而，即使是這種方法也并不完全便宜。他們的蒸餾過程使用了 800K SFT 樣本，這需要大量計算。

有趣的是，就在 DeepSeek-R1 發(fā)布前幾天，我偶然看到了一篇關(guān)于 Sky-T1 的文章，這是一個令人著迷的項目，一個小團(tuán)隊僅使用 17K 的 SFT 樣本訓(xùn)練了一個開放權(quán)重 32B 模型。

總成本是多少？僅需 450 美元，這比大多數(shù) AI 會議的注冊費還低。

這個例子表明，盡管大規(guī)模訓(xùn)練仍然昂貴，但較小規(guī)模、有針對性的微調(diào)工作仍然可以以極低的成本產(chǎn)生出色的結(jié)果。

圖源：《Sky-T1：在 450 美元以內(nèi)訓(xùn)練你自己的 O1 預(yù)覽模型》一文。https://novasky-ai.github.io/posts/sky-t1/

根據(jù)他們的基準(zhǔn)測試，Sky-T1 的表現(xiàn)與 OpenAI o1 大致相當(dāng)，考慮到其低廉的訓(xùn)練成本，這一表現(xiàn)令人印象深刻。

2. 預(yù)算內(nèi)的純 RL：TinyZero

雖然 Sky-T1 專注于模型蒸餾，但我也在「純 RL」領(lǐng)域發(fā)現(xiàn)了一些有趣的工作。一個值得注意的例子是 TinyZero，這是一個 3B 參數(shù)模型，它復(fù)制了 DeepSeek-R1-Zero 方法（附注：訓(xùn)練成本不到 30 美元）。

令人驚訝的是，即使只有 3B 參數(shù)，TinyZero 也表現(xiàn)出一些涌現(xiàn)的自我驗證能力，這支持了推理可以通過純 RL 涌現(xiàn)的想法，即使在小模型中也是如此。

TinyZero 庫提到研究報告仍在進(jìn)行中，我一定會密切關(guān)注更多細(xì)節(jié)。

TinyZero 庫 (https://github.com/Jiayi-Pan/TinyZero) 中的一張圖片表明該模型能夠進(jìn)行自我驗證。（相比之下，看看基礎(chǔ)模型的回復(fù)會很有趣。）

上述兩個項目表明，即使預(yù)算有限，也可以在推理模型上開展有趣的工作。雖然這兩種方法都復(fù)現(xiàn)了 DeepSeek-R1 的方法，一種專注于純 RL（TinyZero），另一種專注于純 SFT（Sky-T1），但探索如何進(jìn)一步擴(kuò)展這些想法將非常有趣。

3. 超越傳統(tǒng) SFT：旅程學(xué)習(xí)

去年我偶然發(fā)現(xiàn)一種特別有趣的方法，論文《O1 Replication Journey: A Strategic Progress Report – Part 1》中對此進(jìn)行了描述。盡管標(biāo)題如此，但該論文實際上并沒有復(fù)制 o1。相反，它介紹了一種改進(jìn)蒸餾（純 SFT）過程的另一種方法。

論文的核心思想是用「旅程學(xué)習(xí)」替代「捷徑學(xué)習(xí)」。

• 捷徑學(xué)習(xí)是指指令微調(diào)的傳統(tǒng)方法，其中僅使用正確的解決方案路徑來訓(xùn)練模型。
• 另一方面，旅程學(xué)習(xí)也包括錯誤的解決路徑，讓模型從錯誤中學(xué)習(xí)。

這種方法與 TinyZero 的純 RL 訓(xùn)練中觀察到的自我驗證能力有點相似，但它專注于完全通過 SFT 改進(jìn)模型。通過讓模型接觸錯誤的推理路徑及其修正，旅程學(xué)習(xí)還可以增強(qiáng)自我修正能力，從而可能通過這種方式使推理模型更加可靠。

與傳統(tǒng)的捷徑學(xué)習(xí)不同，旅程學(xué)習(xí)在 SFT 數(shù)據(jù)中包含了錯誤的解決方案路徑。注釋圖來自 https://arxiv.org/abs/2410.18982

這可能是未來工作的一個令人興奮的方向，特別是對于低預(yù)算推理模型開發(fā)，因為基于 RL 的方法在計算上可能不切實際。

無論如何，推理模型方面目前正在發(fā)生很多有趣的工作，我相信我們將在接下來的幾個月里看到更多令人興奮的成果！