01、概述

隨著人工智能領(lǐng)域的快速發(fā)展，推理能力已經(jīng)成為了衡量大規(guī)模語言模型（LLMs）性能的一個(gè)重要指標(biāo)。為了推動(dòng)推理能力的極限，我們迎來了DeepSeek-R1系列模型的誕生。這個(gè)系列包括了兩個(gè)重要版本：DeepSeek-R1-Zero和DeepSeek-R1，它們分別在強(qiáng)化學(xué)習(xí)（RL）和傳統(tǒng)的監(jiān)督微調(diào)（SFT）方法中找到了新的平衡，展示了前所未有的推理能力。

DeepSeek-R1-Zero突破了傳統(tǒng)的訓(xùn)練方式，直接通過大規(guī)模的強(qiáng)化學(xué)習(xí)進(jìn)行訓(xùn)練，而沒有依賴預(yù)先的監(jiān)督微調(diào)。這一創(chuàng)新使得模型在推理任務(wù)中表現(xiàn)出色，但同時(shí)也暴露了某些挑戰(zhàn)，比如語言混合、無休止重復(fù)等問題。為了進(jìn)一步提升性能，DeepSeek-R1加入了冷啟動(dòng)數(shù)據(jù)的處理，解決了這些問題，達(dá)到了與OpenAI-o1在數(shù)學(xué)、代碼和推理任務(wù)中的類似表現(xiàn)。

不僅如此，DeepSeek-R1系列模型還開源了大量的訓(xùn)練成果，包括基于Llama和Qwen模型蒸餾而來的六個(gè)緊湊型模型，其中DeepSeek-R1-Distill-Qwen-32B在多個(gè)基準(zhǔn)測(cè)試中超越了OpenAI-o1-mini，創(chuàng)造了新的最先進(jìn)結(jié)果。

02、模型介紹

后訓(xùn)練：通過強(qiáng)化學(xué)習(xí)優(yōu)化基礎(chǔ)模型

傳統(tǒng)的語言模型通常依賴**監(jiān)督微調(diào)（SFT）作為基礎(chǔ)訓(xùn)練方法，然后通過后期的微調(diào)來增強(qiáng)模型的推理能力。然而，DeepSeek團(tuán)隊(duì)采取了一種全新的方式，直接通過大規(guī)模的強(qiáng)化學(xué)習(xí)（RL）**對(duì)基礎(chǔ)模型進(jìn)行訓(xùn)練，省略了SFT的初步步驟。這一方式讓模型能夠通過自主探索復(fù)雜問題的推理鏈條（Chain-of-Thought，CoT），自發(fā)地發(fā)展出許多強(qiáng)大且有趣的推理行為。

DeepSeek-R1-Zero正是通過這種強(qiáng)化學(xué)習(xí)方法訓(xùn)練出來的，并且它展示了諸如自我驗(yàn)證、反思、以及生成長(zhǎng)推理鏈條等能力，標(biāo)志著在推動(dòng)推理能力方面的一個(gè)重要里程碑。更值得注意的是，這也是首個(gè)通過純粹的RL驗(yàn)證大規(guī)模語言模型推理能力的研究，無需任何監(jiān)督微調(diào)。這一突破為未來的相關(guān)研究奠定了基礎(chǔ)。

DeepSeek-R1的創(chuàng)新管線

在DeepSeek-R1的開發(fā)過程中，我們采用了一個(gè)雙階段強(qiáng)化學(xué)習(xí)流程，并結(jié)合兩階段的監(jiān)督微調(diào)（SFT），旨在發(fā)現(xiàn)更加優(yōu)化的推理模式，并且能夠與人類偏好相對(duì)齊。這個(gè)管線的設(shè)計(jì)不僅提升了模型的推理能力，還為AI行業(yè)提供了一種新的模型開發(fā)思路，有助于推動(dòng)未來更高效的推理模型的出現(xiàn)。

03、蒸餾：小模型也能表現(xiàn)出色

大模型推理模式的蒸餾

我們還展示了如何將大模型中的推理模式蒸餾到小模型中，取得了比在小模型上直接通過RL訓(xùn)練的推理模式更優(yōu)秀的表現(xiàn)。通過將DeepSeek-R1生成的推理數(shù)據(jù)用于對(duì)小型模型進(jìn)行微調(diào)，我們顯著提升了這些模型在多個(gè)基準(zhǔn)測(cè)試中的表現(xiàn)，證明了即使是參數(shù)較少的模型，也能在推理任務(wù)中取得不遜色的大模型的成績(jī)。

這一研究的另一個(gè)亮點(diǎn)是，DeepSeek團(tuán)隊(duì)公開了多款蒸餾模型，包括1.5B、7B、8B、14B、32B以及70B六個(gè)版本，這些模型基于Qwen2.5和Llama3系列進(jìn)行了蒸餾處理。這些小型模型在多個(gè)推理任務(wù)中表現(xiàn)出色，對(duì)于研究人員和開發(fā)者來說，將是一個(gè)非常有價(jià)值的資源。

04、模型信息

DeepSeek團(tuán)隊(duì)提供了詳細(xì)的模型下載鏈接，供研究人員和開發(fā)者下載使用。以下是DeepSeek-R1系列以及其蒸餾版本的模型參數(shù)和下載信息：

DeepSeek-R1系列模型

DeepSeek-R1蒸餾模型

05、模型評(píng)估結(jié)果

對(duì)于所有DeepSeek模型，我們將最大生成長(zhǎng)度設(shè)置為32,768個(gè)tokens，確保能處理更長(zhǎng)的輸入和生成更復(fù)雜的答案。在需要進(jìn)行采樣的基準(zhǔn)測(cè)試中，我們使用了溫度0.6和top-p值0.95，并生成了64個(gè)響應(yīng)以估算pass@1的指標(biāo)。以下是模型在多個(gè)基準(zhǔn)測(cè)試中的評(píng)估結(jié)果：

DeepSeek-R1：在數(shù)學(xué)、代碼和推理任務(wù)中的表現(xiàn)可與OpenAI-o1相媲美，證明了該模型的強(qiáng)大推理能力。

DeepSeek-R1-Distill：系列小型模型，在多個(gè)測(cè)試中超過了OpenAI-o1-mini，表現(xiàn)出色。

06、結(jié)語

DeepSeek-R1系列模型的發(fā)布，標(biāo)志著推理能力在大規(guī)模語言模型中的新突破。從DeepSeek-R1-Zero到DeepSeek-R1，我們展示了如何通過強(qiáng)化學(xué)習(xí)（RL）直接驅(qū)動(dòng)推理能力的提升，同時(shí)通過蒸餾技術(shù)，使得更小的模型同樣能夠達(dá)到高效的推理表現(xiàn)。這不僅是對(duì)AI研究的一次重大貢獻(xiàn)，也為未來的模型開發(fā)提供了新的思路。

隨著更多小型化模型的開源，研究人員和開發(fā)者能夠更好地利用這些技術(shù)，打造出適應(yīng)不同場(chǎng)景的推理系統(tǒng)。未來，隨著推理技術(shù)的不斷進(jìn)步，DeepSeek-R1系列無疑將在各個(gè)領(lǐng)域引領(lǐng)人工智能的創(chuàng)新浪潮。

參考：

1. ??https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B??

本文轉(zhuǎn)載自公眾號(hào)Halo咯咯    作者：基咯咯

原文鏈接：??https://mp.weixin.qq.com/s/i3JL_r4rLpPExFboqgFvPA??