10美元成功復(fù)現(xiàn)DeepSeek頓悟時刻，3B模型爆發(fā)超強推理！微軟論文反駁涌現(xiàn)
復(fù)刻DeepSeek的神話，還在繼續(xù)。
之前，UC伯克利的博士只用30美元，就復(fù)刻了DeepSeek中的頓悟時刻，震驚圈內(nèi)。
這一次，來自荷蘭阿姆斯特丹的研究人員Raz，再次打破紀錄，把復(fù)刻成本降到了史上最低——
只要10美元，就能復(fù)現(xiàn)DeepSeek頓悟時刻！
Raz本人也表示，自己驚訝極了。
即使是一個非常簡單的強化學(xué)習(xí)設(shè)置，并沒有太多RL算法的復(fù)雜性（比如PPO、TRPO、GRPO等），也能在有限的計算資源下產(chǎn)生涌現(xiàn)的結(jié)果。
在具體設(shè)計過程中，他特別考慮強化學(xué)習(xí)中LLM中的應(yīng)用和傳統(tǒng)強化學(xué)習(xí)問題（如機器人、Atari游戲等）在狀態(tài)空間和動作空間的不同。
因此，Raz選擇從非常簡單的RL算法——Reinforce-Lite入手。
采用輕量級強化學(xué)習(xí)算法——Reinforce-Lite生成的推理過程之一。我們將一步步看到，端到端的強化學(xué)習(xí)微調(diào)模型如何表現(xiàn)出智能、回溯、自我反思、邏輯推理等跡象
結(jié)果，令人出乎意料的事情發(fā)生了：只用不到10美元的成本，他就在一個3B模型上復(fù)刻了DeepSeek的頓悟時刻。
幾乎就像是這個3B模型本身就具備了做出驚人事情的潛力，我們需要的，只是通過正確的方式賦予它一定的自主性而已。
接下來，讓我們看一下Raz的博客，感受一下這次超經(jīng)濟實惠的AI推理，是怎樣突破的。
復(fù)刻DeepSeek頓悟時刻，只用不到10美元
我們能否在計算資源有限（只有48GB RTX6000顯卡和10美元）的情況下，讓一個3B模型具備回溯、自我反思、邏輯推理等推理能力？
研究人員猜測，通過強化學(xué)習(xí)也許能做到。
強化學(xué)習(xí)是最強大的學(xué)習(xí)算法之一，它一次又一次地為我們帶來令人驚嘆的成果。
DeepMind的AlphaGo、OpenAI的DOTA 2、MuJoCo和Atari實驗、LLM的RLHF對齊，以及最近DeepSeek全面布局的RL技術(shù)，無比證明它的強大威力。
然而，由于RL有許多動態(tài)部分，一涉及到眾多組件，強化學(xué)習(xí)就變得復(fù)雜了。
在此過程中，強化學(xué)習(xí)需要精心設(shè)計重要元素，如合適的信用分配機制、演員-評論員的適當超參數(shù)調(diào)整、強化學(xué)習(xí)算法類型（基于模型/無模型）等，這就導(dǎo)致了強化學(xué)習(xí)在更廣泛的范圍內(nèi)應(yīng)用受限。
如果在LLM環(huán)境中使用強化學(xué)習(xí)，可能涉及的模型可以多達5個：
- 策略模型：正在訓(xùn)練的模型
- 舊策略模型：用于計算替代目標
- 參考模型：用于計算KL散度（KL-divergence）
- 獎勵模型：用于學(xué)習(xí)獎勵函數(shù)
- 評判模型：用于計算價值函數(shù)
Reinforce-Lite：一個比PPO更簡單、更穩(wěn)定且更高效的微調(diào)方案
3B模型端到端強化學(xué)習(xí)訓(xùn)練的計算需求
由于涉及眾多組件，不僅帶來了計算負擔(dān)，還帶來了訓(xùn)練穩(wěn)定性方面的復(fù)雜性和挑戰(zhàn)。
因此，研究人員開始思考：能否從零開始重新構(gòu)想整個算法，回歸第一性原理？
他們的答案就是——一個簡單的替代方案，Reinforce-Lite。
這種方法消除了對替代目標比率和舊策略模型的需求，通過單一策略神經(jīng)網(wǎng)絡(luò)來穩(wěn)定訓(xùn)練過程，同時，還能為模型注入推理能力。
為此，我們需要理解的第一個問題就是——
使用替代目標比率（如PPO/GRPO）是過度優(yōu)化？
OpenAI vs DOTA 5v5：基于大規(guī)模強化學(xué)習(xí)訓(xùn)練
在MuJoCo、Atari、Dota等傳統(tǒng)強化學(xué)習(xí)環(huán)境中，PPO對每個批次進行多次更新是至關(guān)重要的，這是因為在這些環(huán)境中數(shù)據(jù)收集成本非常高昂，而重復(fù)使用樣本可以提高樣本效率。
然而在LLM中，這種方法既無必要，又會帶來巨大的計算開銷。
LLM可以并行生成多樣化的響應(yīng)，自然形成豐富的數(shù)據(jù)集，因此就無需重復(fù)更新。
所有響應(yīng)都可以使用相同的策略網(wǎng)絡(luò)生成，一旦在序列生成結(jié)束時獲得獎勵，就可以進行梯度反向傳播。
此外，在文本生成這樣的高維動作空間中，每個batch多次更新可能導(dǎo)致過擬合，而非有意義的策略改進。
相反，如果每個batch單次更新，再結(jié)合分組歸一化等技術(shù)，就可以在顯著降低計算成本的同時，保持訓(xùn)練穩(wěn)定性。
考慮到LLM訓(xùn)練本身就需要大量資源，在不影響性能的前提下簡化優(yōu)化過程，顯然是更有效的選擇。
從技術(shù)角度來看，這也消除了為計算替代目標比率而保留舊策略模型的需求。
LLM強化學(xué)習(xí)與經(jīng)典強化學(xué)習(xí)的區(qū)別
總之，在這個算法中——
- 移除KL散度，不需要參考模型 ? ——改用梯度裁剪。雖然不是自適應(yīng)的方法，但能有效完成任務(wù)。
- 移除替代目標，不需要舊策略模型 ?
- 使用分組相對獎勵進行優(yōu)勢計算（類似DeepSeek的GRPO方式），不需要價值網(wǎng)絡(luò) ?
這樣，我們就得到了一個輕量級的強化學(xué)習(xí)算法。
通過以上簡化，優(yōu)化問題最終就回歸為經(jīng)典的Reinforce算法——
Reinforce-Lite
在優(yōu)勢計算方面，研究人員采用分組相對策略優(yōu)化（GRPO）的歸一化技術(shù)，將每個問題的10個回應(yīng)結(jié)果作為一組，并通過其歸一化方法來降低梯度更新中的方差。
讓我們來看看它在PyTorch中的具體實現(xiàn)。
def reinforce_lite(batch, policy_model, tokenizer, device, step, save_dir):
policy_model.train()
prompts, targets = zip(*batch)
batch_size = len(prompts)
evaluated_group = 0
all_logprobs = []
all_rewards = []
all_responses = []
all_lengths = []
for group_idx in range(config.GROUP_SIZE):
formatted_prompts = [format_prompt(p, tokenizer) for p in prompts]
inputs = tokenizer(
formatted_prompts,
return_tensors="pt",
padding=True,
truncation=True,
max_length=config.MAX_SEQ_LENGTH
).to(device)
generate_kwargs = {
**inputs,
"max_new_tokens": config.MAX_NEW_TOKENS,
"do_sample": True,
"temperature": 0.7,
"top_p": 0.9,
"pad_token_id": tokenizer.pad_token_id,
"return_dict_in_generate": True,
}
if group_idx == evaluated_group:
generated = policy_model.generate(**generate_kwargs)
generated_ids = generated.sequences
outputs = policy_model(
generated_ids,
attention_mask=(generated_ids != tokenizer.pad_token_id).long()
)
prompt_length = inputs.input_ids.shape[1]
response_length = generated_ids.shape[1] - prompt_length
if response_length > 0:
logits = outputs.logits[:, prompt_length-1:-1, :]
response_tokens = generated_ids[:, prompt_length:]
log_probs = torch.log_softmax(logits, dim=-1)
token_log_probs = torch.gather(log_probs, -1, response_tokens.unsqueeze(-1)).squeeze(-1)
sequence_log_probs = token_log_probs.sum(dim=1)
else:
sequence_log_probs = torch.zeros(batch_size, device=device)
else:
with torch.no_grad():
generated = policy_model.generate(**generate_kwargs)
sequence_log_probs = torch.zeros(batch_size, device=device)
responses = tokenizer.batch_decode(
generated.sequences[:, inputs.input_ids.shape[1]:],
skip_special_tokens=True
)
rewards = torch.tensor([get_reward(resp, tgt) for resp, tgt in zip(responses, targets)], device=device)
all_responses.extend(responses)
all_rewards.append(rewards)
all_logprobs.append(sequence_log_probs)
all_lengths.extend([len(r.split()) for r in responses])
rewards_tensor = torch.stack(all_rewards)
logprobs_tensor = torch.stack(all_logprobs)
evaluated_rewards = rewards_tensor[evaluated_group]
others_rewards = torch.cat([
rewards_tensor[:evaluated_group],
rewards_tensor[evaluated_group+1:]
], dim=0)
baseline = others_rewards.mean(dim=0)
advantages = (evaluated_rewards - baseline) / (others_rewards.std(dim=0) + 1e-8)
advantages = torch.clamp(advantages, -2.0, 2.0)
policy_loss = -(logprobs_tensor[evaluated_group] * advantages.detach()).mean()
return policy_loss, rewards_tensor.mean().item(), policy_loss.item(), 0.0, all_responses[0], all_lengths- 初始化一個經(jīng)過指令微調(diào)的LLM，并通過合適的提示詞使其在 <think></think> 標簽中包含推理步驟。
- 為模型輸出定義一個獎勵函數(shù)（例如，在GSM8K基準中的正確率）。通過正則表達式從標簽中提取數(shù)值，并與數(shù)據(jù)集中的實際答案進行比較。
- 通過直接計算相對于獎勵的梯度來優(yōu)化策略，無需使用替代損失函數(shù)。
- 采用分組相對歸一化優(yōu)勢計算值，從而消除對批評模型的依賴。采用10作為分組大小。
- 使用標準的對數(shù)概率梯度技巧對模型進行更新
GSM8K數(shù)據(jù)集
為了驗證自己的假設(shè)，研究人員將使用GSM8K，這是一個包含小學(xué)數(shù)學(xué)問題及其答案的Grade School Math 8K數(shù)據(jù)集，格式如下：
問題：Natalia在4月份向她的48個朋友賣出了發(fā)夾，而在5月份她售賣的發(fā)夾數(shù)量是4月份的一半。Natalia在4月和5月總共售賣了多少個發(fā)夾？
Natalia sold clips to 48 of her friends in April, and then she sold half as many clips in May. How many clips did Natalia sell altogether in April and May?
答案：Natalia在5月售賣了48/2 = <<48/2=24>>24個發(fā)夾。Natalia在4月和5月總共售賣了48+24 = <<48+24=72>>72個發(fā)夾。#### 72
Natalia sold 48/2 = <<48/2=24>>24 clips in May. Natalia sold 48+24 = <<48+24=72>>72 clips altogether in April and May. #### 72
雖然答案中就包含了完整的推理步驟，但讓研究人員感興趣的，只有###后的最終答案。
對此，研究人員引導(dǎo)策略模型，以<answer></answer>格式輸出了最終答案，并用它來驗證模型計算的答案是否正確。
這更像是一個蒙特卡洛問題——在每個回合結(jié)束時，才能獲得獎勵。
def format_prompt(question: str) -> str:
return f"""<|begin_of_text|><|start_header_id|>user<|end_header_id|>
Solve this math problem: {question}
Show your reasoning first in <think tags>, then put the final answer in \\boxed{{}}.獎勵建模
研究人員把獎勵機制設(shè)計得很簡單易懂，對于策略模型：
- 答案錯誤時，給予負獎勵-1
- 答案正確時，給予正獎勵+1
def get_reward(completion: str, target: str) -> float:
reward = -1.0
try:
completion = completion.strip()
start_tag = "<answer>"
end_tag = "</answer>"
start_idx = completion.rfind(start_tag)
if start_idx != -1:
substring_after_start = completion[start_idx + len(start_tag):]
end_idx = substring_after_start.find(end_tag)
if end_idx != -1:
answer = substring_after_start[:end_idx].strip()
if not answer and end_idx > 0:
answer = substring_after_start[:end_idx].strip()
numbers = ''.join(char for char in answer if char.isdigit() or char == '.')
if numbers:
generated_num = float(numbers)
target_num = float(str(target).strip())
if abs(generated_num - target_num) < 1e-6:
reward = 1.0
except Exception as e:
pass
return reward訓(xùn)練設(shè)置
接下來，研究人員使用Reinforce-Lite算法，在RTX A6000顯卡上訓(xùn)練了3B模型，訓(xùn)練時間為12小時，并采用大小為10的分組。
在訓(xùn)練初期，可以觀察到：模型不斷嘗試增加輸出序列/輸出token的長度，但會經(jīng)常遇到內(nèi)存溢出（OOM）問題，這就限制了模型嘗試更長的推理過程，并從中有效學(xué)習(xí)。
獎勵圖表展示的是分組響應(yīng)的平均得分。理想情況下，平均值越接近1，表示模型在大多數(shù)采樣響應(yīng)中的準確率越高。
在這次實驗中，研究人員只訓(xùn)練了數(shù)百次迭代，可以觀察到當策略模型嘗試不同策略時，得分會出現(xiàn)一定波動。
這種波動可以通過熵正則化來平衡探索與利用之間的關(guān)系，這是他們未來探索的一個方向。
對比測試Reinforce-Lite和Instruct模型
研究在GSM8K數(shù)據(jù)集上評估了Reinforce-Lite，發(fā)現(xiàn)在有限訓(xùn)練時間內(nèi)，Reinforce-Lite相比指令模型在得分上實現(xiàn)了小幅提升。
具體來說，Meta Llama 3.2模型提升了2.0％（從70.5提升至72.5），而在FP16格式下運行的Phi 3.5 Instruct則提升了0.6％（從83.4提升至84.0）。
推理軌跡分析
觀察一些推理軌跡后可以發(fā)現(xiàn)，經(jīng)過Reinforce-Lite微調(diào)的模型展現(xiàn)出了多種推理能力，包括：
- 邏輯思維
- 搜索策略
- 結(jié)果驗證
- 通過表格進行中間計算
- 試錯方法等
注意！這些推理軌跡，在常規(guī)的指令模型中均未觀察到。
比如在下圖中，模型展現(xiàn)出了基本的數(shù)學(xué)推理能力。它能夠通過代數(shù)表達式設(shè)立問題，并通過解方程來求解。
過程中，它能識別出不合理的解，在原方案不可行時選擇調(diào)整解決方案，最終還能通過比較不同選擇的成本，來做出最優(yōu)決策。
在這道題中，模型表現(xiàn)出的處理包含條件推理和糾錯的能力，也令人印象深刻。
它首先設(shè)定了問題背景，計算派對開始時的總?cè)藬?shù)。然后根據(jù)已知條件（總共40人，1/4人離開），計算出有10人離開派對。
然而，在計算離開的女性人數(shù)時，模型居然得出了一個負數(shù)，它意識到了自己的推理中，一定出現(xiàn)了邏輯錯誤。
為此，它重新審視了情況，修正了自己的推理，正確計算出派對上剩下了8名女性，從而得出正確答案。
這道題中，模型設(shè)定初始繃帶數(shù)量為x，根據(jù)給定條件將繃帶數(shù)量的變化轉(zhuǎn)換為代數(shù)方程，但解出的方程結(jié)果是x=-6。
它意識到自己的錯誤后，回顧了之前的步驟，識別出自己在計算第三天的繃帶使用量時犯了錯。修正方程后，它重新計算出了正確結(jié)果。
整個過程中，它展現(xiàn)出了較強的自我糾錯和邏輯推理能力，能在復(fù)雜計算過程中發(fā)現(xiàn)并修正問題。
關(guān)鍵要點總結(jié)
總結(jié)來說，這項研究主要有以下發(fā)現(xiàn)。
- 結(jié)構(gòu)化推理能力提升
從生成的序列中可以觀察到，經(jīng)過RL微調(diào)的模型在評估得分上實現(xiàn)了小幅提升。 - 簡化算法復(fù)雜度，無需PPO的復(fù)雜性
研究表明，對LLM進行微調(diào)只需要一個策略網(wǎng)絡(luò)即可，無需采用PPO的復(fù)雜機制。 - 優(yōu)化計算效率
Reinforce-Lite作為一個計算友好型算法，支持端到端的RL訓(xùn)練，同時顯著降低了訓(xùn)練復(fù)雜度。 - 增強模型自主性
算法成功地賦予了LLM自主能力，讓模型會通過嘗試不同策略來獲取獎勵。 - 更長的推理回合，需要更多內(nèi)存
隨著訓(xùn)練的進行，可以發(fā)現(xiàn)模型傾向于進行更長的推理過程，但在使用48GB GPU訓(xùn)練3GB模型（FP16）時，如果超過1024個token，就會頻繁出現(xiàn)內(nèi)存溢出問題。 - 在沒有KL散度的情況下確保穩(wěn)定性
研究人員發(fā)現(xiàn)，使用簡單的梯度裁剪就能有效替代KL散度計算，這是一種高效的替代方案，用于防止策略偏離。在整個訓(xùn)練過程中，模型策略保持穩(wěn)定，未出現(xiàn)劇烈波動。
DeepSeek-R1啟發(fā)，7B模型實現(xiàn)高級推理技能
巧的是，最近來自微軟亞洲研究院的一項工作，也證明了RL的巨大潛力——通過有效且穩(wěn)定的RL訓(xùn)練后，一個7B模型，居然就發(fā)展出了反思、驗證和總結(jié)的高級推理技能！
而這些技能，在邏輯語料庫中是完全缺失的。
受DeepSeek-R1成功的啟發(fā)，研究團隊探索了基于規(guī)則的強化學(xué)習(xí)（RL）在大規(guī)模推理模型中的潛力。
論文地址：https://arxiv.org/abs/2502.14768
為了分析推理機制，他們選擇了具有可控復(fù)雜度和直接答案驗證方式的「合成邏輯謎題」作為訓(xùn)練數(shù)據(jù)。
在此過程中，團隊取得了一些關(guān)鍵性的技術(shù)突破，并促成了有效且穩(wěn)定的RL訓(xùn)練：
- 一個著重強調(diào)思考和回答過程的system prompt
- 一個用于懲罰取巧輸出的嚴格格式獎勵函數(shù)
- 一個能實現(xiàn)穩(wěn)定收斂的簡單訓(xùn)練方案
其中，訓(xùn)練框架采用REINFORCE++算法和來自DeepSeek-R1的獎勵設(shè)計進行后訓(xùn)練。
隨著RL訓(xùn)練的進行，可以觀察到模型自然地分配更多的訓(xùn)練步驟用于推理。這種計算擴展從生成數(shù)百個token擴展到數(shù)千個token，使其能夠更深入地探索和完善其思維過程。
結(jié)果顯示，只有70億參數(shù)的Qwen2.5-7B，在經(jīng)過5K個邏輯問題的訓(xùn)練后，就發(fā)展出了一些在邏輯語料庫中原本不存在的高級推理技能——如反思、驗證和總結(jié)能力。
研究中，考驗?zāi)Ｐ偷倪@道邏輯題是這樣的。
問題：一個非常特殊的島嶼上只住著騎士和騙子。騎士總是說真話，騙子總是說謊。你遇到兩位島民：Zoey和Oliver。Zoey說：「Oliver不是騎士?！筄liver說：「Oliver是騎士且Zoey是騙子?！拐垎枺l是騎士，誰是騙子？
正確答案：（1）Zoey是騙子；（2）Oliver是騎士。
這個「騎士與騙子」謎題，因其合成設(shè)計和邏輯精確性而非常適合進一步分析。
首先，謎題對于模型來說都是未見過大數(shù)據(jù)，非常適合用來測試泛化能力。
其次，通過改變字符數(shù)量（2到8個）和邏輯運算的復(fù)雜性（1到4種布爾運算符組合），可以調(diào)節(jié)難度。
而且，每個謎題都有一個單一、明確的正確答案，正確性由生成算法保證。解答需要嚴格的演繹推理，因此減少了獎勵作弊的風(fēng)險。
總之，每個謎題都遵循正式規(guī)則構(gòu)建，能確保每個問題都有一個獨特的解決方案，并可以確定性地驗證。這消除了自然語言任務(wù)中常見的模糊性，使我們能夠清晰地區(qū)分真正的推理能力和表面上的記憶。
在獎勵建模中，研究在模型輸出中不斷檢測作弊行為，并不斷改進獎勵設(shè)計。
最終，他們設(shè)計出了一種幾乎無法作弊的基于規(guī)則的獎勵系統(tǒng)，僅包含兩種獎勵類型：格式獎勵和答案獎勵。
以下就是不同的推理模型和通用模型在不同難度的K&K邏輯謎題上的表現(xiàn)。
在RL訓(xùn)練后，可以在模型中觀察到以下涌現(xiàn)的行為。
1. 會出現(xiàn)猶豫和自我驗證
在思考環(huán)節(jié)，模型會不時使用「我不是完全確定，讓我們重新檢查這一步」這類反思性表達。
這種自我審視的行為特征在預(yù)訓(xùn)練階段是完全不存在的，而是通過獎勵正確答案、懲罰錯誤答案的強化學(xué)習(xí)機制逐步培養(yǎng)形成的。
2. 多輪徑探索和回溯
經(jīng)過RL訓(xùn)練后，模型會主動提出多個解決方案（「讓我們測試兩種可能性」），并通過回溯來檢查解決方案的一致性。
3. 應(yīng)用公式
盡管訓(xùn)練數(shù)據(jù)集中并未包含，但模型不僅能夠通過系統(tǒng)性試錯方法解決謎題，還自主整合了形式邏輯推理能力（比如運用「如果P，則Q」的邏輯蘊含公式），這種推理模式與人類的問題解決方式高度相似。
4.忽然開始說中文
模型在分析問題陳述時會臨時插入中文表達，隨后又能自然地轉(zhuǎn)換為英語來提供解決方案。
這一現(xiàn)象表明，模型正在使用語言混合機制作為一種潛在的備選處理策略，或是形成了某種特殊的內(nèi)部表征模式。
在具有挑戰(zhàn)性的數(shù)學(xué)基準測試AIME和AMC上，模型展現(xiàn)出了卓越的泛化能力——成績分別提高了125%和38%。
這種跨領(lǐng)域泛化能力表明，RL訓(xùn)練的推理啟發(fā)式方法發(fā)展出了抽象的問題解決模式，而不是依賴于特定領(lǐng)域的模式匹配。
所以，這項研究的訓(xùn)練期間，也出現(xiàn)「頓悟時刻」了嗎？
換句話說就是，在強化學(xué)習(xí)過程中，模型的推理能力是否會發(fā)生顯著的飛躍，出現(xiàn)多步驗證或反思，而且這些行為不是在訓(xùn)練語料中明確植入的，而是模型與RL環(huán)境的互動所自然產(chǎn)生的？
研究人員發(fā)現(xiàn)，模型并沒有出現(xiàn)「等一下，等一下」這樣特定的語言表述，但圖4顯示出，它在第10步時表現(xiàn)出了一些復(fù)雜的推理行為（例如自我反思、探索、驗證、總結(jié)）。
由此，研究人員的結(jié)論是，RL學(xué)習(xí)過程可能沒有突如其來的「頓悟時刻」——復(fù)雜的推理行為并不是在某個特定的訓(xùn)練步驟中突然出現(xiàn)的。
1. 反思性詞匯（如「檢查」和「驗證」）的頻率緩慢增加（a）-（c）；2. 會話性短語（例如「讓我們」）和謹慎詞匯（例如「還」）變得更加頻繁（d）-（e）；3. 中文詞匯開始出現(xiàn)在英文回復(fù)中（f）。所有這些詞匯的頻率都在穩(wěn)步發(fā)展，沒有突然的跳躍，表明可能不存在明顯的「頓悟時刻」
除了上述技術(shù)貢獻外，研究還有幾個有趣的發(fā)現(xiàn)：
- 更長的回答并不能保證更好的推理。長度本身不是評估訓(xùn)練時間的有效指標。最有效的推理來自最短路徑。
- 語言混合會阻礙推理。這一觀察強調(diào)了在獎勵建模中需要語言一致性懲罰。
- 增加「思考」token確實有幫助。RL訓(xùn)練自然地提高了與反思相關(guān)詞匯的頻率，表明某些token頻率與性能之間存在相關(guān)性。
- 監(jiān)督微調(diào)（SFT）依賴記憶；RL實現(xiàn)泛化。SFT嚴重依賴記憶，往往導(dǎo)致表面的捷徑學(xué)習(xí)，而RL則在最小依賴數(shù)據(jù)集結(jié)構(gòu)的情況下自我演化。
- 冷啟動是一個優(yōu)勢，但非必需。無論是從基礎(chǔ)模型還是指令模型開始，訓(xùn)練動態(tài)都保持驚人的相似性，盡管后者表現(xiàn)略好。
- 課程學(xué)習(xí)仍然重要。在固定的數(shù)據(jù)篩選比例下，精心設(shè)計的課程學(xué)習(xí)方法總是優(yōu)于隨機打亂。
