DeepSeek-R1-Zero訓練揭秘：沈向洋等開源大神如何復刻1/30訓練步驟，揭示RL訓練新篇章
在深度探索的領域中，DeepSeek以其卓越的性能和開源精神贏得了廣泛贊譽。然而，DeepSeek在開源訓練代碼和數(shù)據(jù)方面的缺失，引發(fā)了業(yè)界的關注和討論。近期，國內大模型六小強之一的階躍星辰聯(lián)與清華聯(lián)合發(fā)布的Open Reasoner Zero（ORZ）引起了我們的注意。ORZ在響應長度上，僅用約17%的訓練步驟就能趕上DeepSeek-R1-Zero 671B，其成果令人矚目。
DeepSeek-R1-Zero的訓練揭秘，實際上也是對強化學習（RL）訓練的新篇章的揭示。沈向洋等開源大神通過極簡主義的方法，使用帶有GAE的原版PPO就可以有效地擴展RL訓練，這無疑為RL訓練提供了新的可能。同時，基于規(guī)則的獎勵函數(shù)的應用，也使得在推理任務上同時擴大響應長度和基準性能成為可能。這一發(fā)現(xiàn)表明，復雜的獎勵函數(shù)并非必需。
值得注意的是，Open Reasoner Zero在訓練過程中的一個重要轉折點——在訓練步驟約680步時，模型的訓練獎勵值、反思能力和回答長度同時出現(xiàn)顯著提升，疑似出現(xiàn)了DeepSeek-R1-Zero論文中類似的“頓悟時刻”（aha moment）。這一發(fā)現(xiàn)令人興奮，它暗示著RL訓練的潛力和可能性仍在未知領域等待挖掘。
在實現(xiàn)穩(wěn)定訓練的過程中，團隊沒有依賴任何基于KL的正則化技術，這為進一步擴大強化學習規(guī)模提供了新的可能。同時，大規(guī)模多樣化數(shù)據(jù)集的精心策劃對于Open Reasoner Zero的訓練至關重要。在以Qwen2.5-Base-7B為基礎模型的實驗中，所有基準測試在某個時間點都會經(jīng)歷獎勵和響應長度的突然增加，這種現(xiàn)象類似于涌現(xiàn)行為。這進一步證明了數(shù)據(jù)多樣化和規(guī)模的重要性，為強化學習研究提供了新的視角。
Open-Reasoner-Zero模型在MMLU和MMLU_PRO基準測試中，無需任何額外的指令調整，即可超越Qwen2.5 Instruct，這一成果無疑為RL研究注入了新的活力。
這一切的背后，是沈向洋等開源大神的智慧和努力。他們的研究成果不僅揭示了RL訓練的新篇章，也為強化學習的未來發(fā)展指明了方向。他們的精神和對開源的承諾，無疑將激勵更多的人投身到強化學習的研究中來。
總的來說，DeepSeek-R1-Zero的訓練揭秘為我們展示了RL訓練的新可能性和新視角。這不僅是對沈向洋等開源大神的致敬，也是對強化學習研究的新期待。我們期待著更多像Open Reasoner Zero這樣的研究出現(xiàn)，推動強化學習研究的深入和發(fā)展。
（免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產(chǎn)權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
