钱包钱夹移动网站建设百度贴吧入口

1. 简介

• deepseek r1是对标openai o1模型的推理模型;
• 本文主要介绍GRPO作为强化学习框架，使用Deepseek-V3-Base作为基座训练deepseek r1及deepseek r1 zero。deepseek r1 zero模型仅通过Deepseek-V3-Base+RL就能达到在AIME2024 benchmark上效果超过openai-o1-0912，但存在可读性差和语言混合问题。deepseek r1则是Deepseek-V3-Base通过少量数据sft，再将sft后的模型经过RL后得到的模型，不仅解决了上面的问题，效果也远超预期。

2. 方法

2.1 DeepSeek-R1-Zero Model

2.1.1 GRPO(Group Relative Policy Optimization)

• 在强化学习中，忽略掉critic model
• 使用group scroes预估baseline
• 针对query q，GRPO首先会从旧policy ${\pi }_{\theta old}$中sample一组回复{$o_1,o_2,....,o_G$}，然后通过下面的objective优化$\theta$：
  
• 其中$ϵ$和$\beta$表示超参，$A_i$表示advantage，计算公式如下：
  

2.1.2 Reward Modeling

• 训练使用基于规则的奖励系统，由两部分组成：
  • Accuracy Reward：用来评估resposne是否准确，比如说在数学问题中使用结果与标准答案是否一致作为判断标准；代码问题使用编译器的结果作为判断标准。
  • Format Reward：判断回复是否符合某个格式

2.1.3 训练prompt

2.1.4 Performance

• 不需要微调就可以通过RL在推理任务中达到很好的效果；
• 使用majority voting可以进一步提升模型效果；
• Self-evolution
  • 模型回复长度增加，模型在探索更多深度的思考回答复杂问题；
  • 通过强化学习，模型会有类似refection，reevaluate等行为
    
• Aha Moment of Deepseek-R1-zero
  
• 缺点
  • 可读性差
  • 语言混合

2.2 DeepSeek-R1 Model

• 与DeepSeek-R1-Zero模型不同，DeepSeek-R1模型会事先准备少量的long CoT数据微调模型，然后作为RL的actor。
• 数据构建方式：1. 直接将一些long CoT数据作为few-shot，然后让模型生成带反思和校正的回复；2. 让DeepSeek-R1-Zero生成long CoT数据
• DeepSeek R1模型优点：
  • 可读性：通过微调之后，回复的格式可以定义，并且没有混合语言的情况。
  • 潜力：效果要好于DeepSeek R1 Zero模型
• 在得到actor后，在RL训练过程中，为了避免回复有多语言的情况，增加语言一致性的reward model，主要方式是计算回复中目标语言的占比。在整个RL过程中，使用语言一致性reward + 任务准确性reward作为最后的reward。
• 在推理任务中收敛后得到中间ckpt，再进行针对所有场景的强化学习：
  • 数据：
    • reasoning数据：上一步模型的训练数据仅仅是能用规则得到reward的数据，这步需要加上一些额外的数据。主要通过中间ckpt 采样生成reasoning data和一些额外数据的回复，然后使用通用reward model判断好坏 + 后处理；最终得到600K数据
    • 非reasoning数据：类似writing, factual QA, self-cognition, and translation等数据，主要是deepseek v3 pipeline以及部分V3 SFT数据，然后用deepseek v3得到CoT部分。最终得到200K数据。
    • 最后得到800K数据
  • 训练：
    • 第一步：使用800K数据微调deepseek v3 base 模型；
    • 第二步：用第一步的模型进行强化学习
      • 在reasoning任务中，参考deepseek r1 zero训练方式
      • 在general任务，参考deepseek v3 pipeline
        

3. 实验

4. 小结

文章展示cold start和non cold start两种RL训练方式，总体而言，两种方法都有效。但non cold start的方式会有一些问题，比如说语言混合，可读性差。但使用cold start不仅在效果上超过non cold start的方式，在可读性及语言一致性问题上也得到解决

5. 参考文献：

• 1） https://weibo.com/ttarticle/p/show?id=2309405125956833771966&mark_id=999_reallog_mark_ad%3A999%7CWeiboADNatural
• 2）https://github.com/deepseek-ai/DeepSeek-R1/blob/main/DeepSeek_R1.pdf