DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵

發布于 2025-2-14 13:29

瀏覽

0收藏

今天分享DeepSeek R1 ，Title: DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning：通過強化學習激勵LLM的推理能力。
這篇文章介紹了DeepSeek的第一代推理模型 DeepSeek-R1-Zero 和 DeepSeek-R1。DeepSeek-R1-Zero 模型通過大規模強化學習 (RL) 訓練，沒有監督微調 (SFT) 作為初步步驟，展示了RL的潛力及其帶來的卓越的推理能力。通過強化學習，DeepSeek-R1-Zero 自然而然地涌現出許多強大而有趣的推理行為。為了進一步優化R1-Zero存在的一些問題(語言混亂，綜合能力提升)，他們推出了 DeepSeek-R1，它在強化學習之前結合了多階段訓練和冷啟動數據微調。 DeepSeek-R1 在推理任務上取得了與 OpenAI-01-1217 相媲美的性能。為了支持研究社區，他們開源了 DeepSeek-R1-Zero、DeepSeek-R1 以及六個從 DeepSeek-R1 提煉出來的密集模型（1.5B、7B、8B、14B、32B、70B），這些模型基于 Qwen 和 Llama。
該方法特點總結如下：

1）直接將強化學習應用于基礎模型，無需依賴監督微調（SFT）作為初步步驟。

2）引入 DeepSeek-R1 開發流程，該流程結合了兩個強化學習階段和兩個監督微調階段，為模型的推理和非推理能力奠定基礎。

3）通過蒸餾技術將大型模型的推理模式轉移到小型模型中，提高了小型模型在推理任務上的性能。

一、概述

? Title: DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning

? Authors: DeepSeek-AI

? Github:?? https://github.com/deepseek-ai/DeepSeek-R1??

1.Motivation

? 當前的大型語言模型（LLMs）在推理任務上取得了顯著進展，但仍然面臨挑戰。

? 純粹的強化學習（RL）在提升LLMs推理能力方面的潛力尚未充分探索，尤其是在不依賴監督數據的情況下。

? 通過RL訓練的模型，如DeepSeek-R1-Zero，在可讀性和語言混合方面(例如中英文混著說)存在問題，需要進一步改進以提升用戶友好性。

2.Methods

省流版總結:

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

DeepSeek-R1-Zero: 使用DeepSeek-V3-Base作為基礎模型，采用GRPO（Group Relative Policy Optimization）作為強化學習框架，在沒有監督數據的情況下提升模型在推理方面的性能。DeepSeek-R1:

? 冷啟動（Cold Start）: 收集少量高質量的長CoT（Chain-of-Thought）數據，對DeepSeek-V3-Base模型進行微調，作為強化學習的初始actor。

? 面向推理的強化學習（Reasoning-oriented Reinforcement Learning）: 應用與DeepSeek-R1-Zero相同的強化學習訓練過程，但側重于增強模型在編碼、數學、科學和邏輯推理等方面的推理能力。引入語言一致性獎勵，以減輕CoT中出現的語言混合問題。

? 拒絕抽樣和監督微調（Rejection Sampling and Supervised Fine-Tuning）: 利用強化學習收斂后的checkpoint收集SFT（Supervised Fine-Tuning）數據，用于后續訓練。

? 所有場景的強化學習（Reinforcement Learning for all Scenarios）: 實施二級強化學習階段，旨在提高模型的幫助性和無害性，同時優化其推理能力。

? 知識蒸餾：使用DeepSeek-R1精心策劃的800k個樣本，直接微調開源模型Qwen和Llama。

詳細方法和步驟:

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

DeepSeek-R1-Zero：基礎模型的強化學習

? 強化學習算法: 采用 Group Relative Policy Optimization (GRPO) 算法，該算法無需 critic 模型，通過組內分數估計基線，降低了訓練成本。

? Reward獎勵建模: 使用基于規則的獎勵系統，包括：

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

a.準確性獎勵: 評估答案是否正確，例如數學題答案最終結果的正確性，代碼題編譯器的反饋。

b.格式獎勵: 鼓勵模型將思考過程置于 ??<think>??? 和 ??</think>?? 標簽之間。

? 訓練模板: 設計了包含 ??<think>??? 和 ??</think>?? 標簽的模板，引導模型先輸出思考過程，再輸出最終答案。

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

? 自進化過程: DeepSeek-R1-Zero 在訓練過程中展現出自進化特性，能夠自主學習更復雜的推理策略，例如反思和探索多種問題解決路徑。

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

DeepSeek-R1：結合冷啟動的強化學習

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

? 冷啟動 (Cold Start): 為了解決 DeepSeek-R1-Zero 的可讀性問題，DeepSeek-R1 首先收集少量高質量的 CoT 數據，對 DeepSeek-V3-Base 模型進行微調，作為強化學習的初始 actor。冷啟動數據采用包含總結標記，并過濾掉不友好的回復。

a.方法：1) 挑選高質量Long COT數據。2) 添加和標記。

b.優點：1) 優化可讀性(解決R1-Zero的多語言問題或者markdown格式問題)。2) 精心挑選的符合人類偏好的數據可以在R1-zero上繼續提升performance。

c.問題：為啥要解決可讀性問題？不解決是不是可能會更好（例如降低輸出長度，更高效的推理）。

? 面向推理的強化學習 (Reasoning-oriented RL): 在冷啟動模型的基礎上，應用與 DeepSeek-R1-Zero 類似的強化學習過程，側重于提升模型在編碼、數學、科學和邏輯推理等任務上的能力。為了解決多語言混合(多語言推理)問題，引入了語言一致性獎勵。

a.問題：科學和邏輯推理任務以及數據集是怎么訓練的？

? 拒絕采樣和監督微調 (Rejection Sampling and SFT): 當推理導向的強化學習收斂后，利用得到的 checkpoint 進行拒絕采樣，生成新的 SFT 數據，并結合 DeepSeek-V3 的數據，增強模型在寫作、角色扮演和通用任務上的能力。

a.目的：

a)此階段在面向推理的強化學習（RL）過程收斂后啟動。

b)主要目的是收集監督微調（SFT）數據，用于后續的訓練輪次。

c)與最初的冷啟動數據僅關注推理不同，此階段旨在擴展模型的能力，使其涵蓋寫作、角色扮演和其他通用任務，而不僅僅是推理。

b.數據收集 - 推理數據：

a)方法：使用從推理導向的 RL 階段獲得的檢查點，通過拒絕采樣生成推理軌跡。

b)數據集擴展：不同于前面 RL 階段僅僅使用的基于規則的獎勵數據。這里引入了非ru le-based reward的數據，在某些情況下使用**生成式獎勵模型（DeepSeek-V3）**來判斷響應。

c)數據過濾：為了確保質量和可讀性，輸出結果會經過過濾，以移除：1)包含混合語言的思維鏈；2）過長的段落；3）代碼塊

d)采樣與選擇： 對于每個提示，會生成多個響應。僅保留“正確”的響應用于數據集。

e)數據集大小： 以這種方式收集了大約 60 萬個與推理相關的訓練樣本。

c.數據收集 - 非推理數據：

a)涵蓋范圍：寫作、事實性問答（QA）、自我認知和翻譯等領域。

b)論文中提到采用 DeepSeek-V3 的流程并重用 DeepSeek-V3 SFT 數據集的部分內容 來處理這些非推理任務。大約收集了 20 萬個與推理無關的樣本。 (注意：非推理數據的收集細節在 2.3.4 節中進一步闡述)

d.收集數據的使用：

a)收集到的推理和非推理數據（總計約 80 萬個樣本 - 60 萬個推理樣本 + 20 萬個非推理樣本）隨后用于對 DeepSeek-V3-Base 模型進行兩個 epoch 的微調。然后，這個微調后的模型進入 2.3.4 節描述的最終 RL 階段。

b)總結：該步驟利用通過 RL 學習到的推理能力來生成多樣化和高質量的 SFT 數據集。這個數據集加強了推理能力，還擴展了模型的通用能力，用于最終的對齊和改進階段的訓練。

面向所有場景的強化學習 (Reinforcement Learning for all Scenarios): 為了進一步對齊人類偏好，實施了第二階段強化學習，旨在提高模型的helpfulness和harmlessness。

a.推理數據：例如數學、代碼、邏輯推理還是用rule base方法監督。

b.一般數據：還是用reward模型來提供復雜和微妙場景的偏好信息。估計還是采用pairwise的數據訓練的模型。

c.有用性：只關注最終summary的結果，減少對推理過程的干擾。

d.無害性：對整個response進行監督，降低任何存在的風險。

模型蒸餾 (Distillation):

? 為了獲得更高效的小型推理模型，論文將 DeepSeek-R1 的推理能力蒸餾到 Qwen 和 Llama 系列的開源模型中。蒸餾過程僅使用監督微調 (SFT)，未使用強化學習階段。

3.Conclusion

? DeepSeek-R1-Zero：展示了純強化學習在激勵LLM推理能力方面的潛力，無需依賴監督數據即可實現強大的性能。

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

a.Aha-moment: 強化學習之美（模型的頓悟時刻，通過學會重新評估初始方法來為問題分配更多的思考時間）

b.輸出長度持續增加（思考時間持續增加）

c.準確率持續提升（采樣16個response計算精度）

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

? DeepSeek-R1：通過結合冷啟動數據和迭代強化學習微調，進一步提升了模型性能，實現了與OpenAI-01-1217在各種任務上相媲美的水平。

DeepSeek-R1技術大揭秘：論文核心原理拆解與模型性能突破關鍵-AI.x社區

? 知識蒸餾：通過使用DeepSeek-R1作為教師模型，生成800K訓練樣本，并微調幾個小型密集模型。結果表明，這種蒸餾方法能夠顯著提高小型模型的推理能力。

4.Limitation

? 局限性 1: DeepSeek-R1 的通用能力有待提升。在函數調用、多輪對話、復雜角色扮演和 JSON 輸出等任務上，DeepSeek-R1 的能力仍不及 DeepSeek-V3。

? 局限性 2: 語言混合問題。 DeepSeek-R1 在處理非中英文查詢時，可能會出現語言混合問題，例如用英文進行推理和回復。

? 局限性 3: 提示敏感性。 DeepSeek-R1 對提示詞比較敏感，少樣本提示 (few-shot prompting) 會降低其性能。

? 局限性 4: 軟件工程任務上的應用受限。由于評估時間較長，大規模強化學習在軟件工程任務上的應用尚不充分，DeepSeek-R1 在軟件工程基準測試上相比 DeepSeek-V3 提升有限。

二、詳細內容

1.Why DeepSeek Zero Work?

1)基于deepseek v3，其具備強大的基座能力。

2)基于GRPO，對長文本（long cot），GRPO的loss函數訓練更穩定，容易激發出長推理能力，并且同樣對于長文本，可能PPO的Critical Model更不準，反而不利于監督。

3)為什么模型能自主出現自進化現象和“aha moment”？

a.可能答案1: 模型真的從0到1學會了深度推理，出現了頓悟。

a）感覺難度系數太高，rule-base方式監督信號比較稀疏，只能說base-model足夠強，才有一定概率能激發。

b.可能答案2: 基座模型其實見過非常多的深度推理的數據，包括數學，代碼，科學等，我們只需要適當的監督（Rule-base RL），激活這些能力即可。

a）如工作[1]中提到：整個 RL 過程是將原本膚淺的自我反思轉變為有效的自我反思，以最大化預期獎勵，從而提高推理能力。

c.可能答案3：數據污染，可能預訓練已經見過非常多的這種深度推理的數據了。

a）感覺也有可能，[1]中提到llama3不太行，qwen2.5，deepseek這類模型反而效果不錯。

4)為什么rule-base的監督信號能work？

? 任務可能其實比較簡單，例如[1]提到epoch=0就有這種反思，但是可能不太對，適當監督下就OK了？

5)為什么不用prm監督？

? 數據集構建成本高，這里可能openai走了不少彎路，標注了非常多的數據，所以特寶貝他們的cot過程。

? prm可能效果不一定好？可能并不太能準確判斷中間過程的好壞。例如開始想錯了，不代表我后面不能做對

? 容易被reward hacking？這個不確定，但是感覺限制了llm的發揮，其實任何任務的推理過程都可以有很多種。或許這是縮短推理路徑可以嘗試的一些方法。

6）自主挖掘推理過程可能比模仿人類推理更簡單！！！

? 原因假設：模型通過實踐和試錯來發現解決問題的最佳方法。

? 如[2]提出：人類標注者在創建訓練數據時，很難知道哪種解決方案最適合模型。人類標注者可能會注入模型不理解的知識，或者忽略模型已有的知識，導致模型難以理解。而強化學習讓模型通過試錯來自主發現適合自己的解決方案。

2 Why DeepSeek R1 Work？

1)數據，數據還是數據！

高質量的Long Cot Reasoning數據600k：基于Zero超低低成本收集了600k高質量的Long COT Reasoning的數據。這里主要數學，編程，科學等領域的數據，也包括經過推理強化后的Zero模型生成的通用場景的推理數據。
通用推理能力：非推理數據，通用場景高質量數據收集；prompt deepseek v3生成高質量的通用數據集。

2)Q：為啥感覺DeepSeek-R1能力主要來自于蒸餾DeepSeek-Zero的能力？

a.能力來源于DeepSeek-Zero蒸餾（600k高質量的數據）：前面高質量的冷啟動數據提升了Zero推理結果的可讀性，可能還有通用能力，同時這些Long COT數據模型學起來可能非常快，因為就是同一個base模型調教出來的。同時還能拓展到其他非數學推理等場景。

b. 但也不只是蒸餾：最后階段10k step的全場景RL訓練也能繼續提升performance，但是論文沒放出具體指標收益，不確定各部分的收益，猜測可能第一步有比較多的簡單易學的Long COT數據來學習了，收益可能還比較大，后面RL能繼續提升能力？

3) Q：為什么冷啟動階段還采用高質量的數據SFT的老路子？

a.提升DeepSeek-Zero模型生成的Long COT數據的可讀性，可能是為了方便后續基于Zero生成和篩選高質量的生成數據？

b.使Zero模型生成結果更符合人類偏好。

4) Q：如何提高Zero模型生成的數據集質量？

a. 利用基于人類偏好優化數據集SFT以及RL微調后的Zero模型（增強版Zero模型）生成。其優點是可讀性好，同時推理能力強，并且還能泛化到了其他領域。同時可能模型還更容易學習。

b.Rule base方法篩選。

c. deepseek v3模型篩選。

d. 可能人工篩洗？

e.背景：其實可能反而LLM自己生成的推理路徑更容易學[2]!!!

5)Q：如何對齊人類偏好？

a.推理數據：例如數學、代碼、邏輯推理還是用rule base方法監督。

b.一般數據：還是用reward模型來提供復雜和微妙場景的偏好信息。估計還是采用pairwise的數據訓練的模型。

c. 有用性：只關注最終summary的結果，減少對推理過程的干擾。

d.無害性：對整個response進行監督，降低任何存在的風險。

三、總結

結論1: 純強化學習 (DeepSeek-R1-Zero) 可以在不依賴監督數據的情況下，有效激勵LLMs的推理能力。本文成功探索了使用純強化學習激勵LLMs推理能力的方法 (DeepSeek-R1-Zero)，驗證了 RL 在提升模型推理能力方面的有效性，無需依賴大量的監督數據。這一發現為未來研究純 RL 方法在 LLMs 推理能力提升方面的應用奠定了基礎。

結論2: 提出的 DeepSeek-R1 訓練流程，通過結合冷啟動、多階段 RL 和蒸餾等技術，有效提升了模型的推理能力、用戶友好性和效率。 DeepSeek-R1 在多個推理基準測試中取得了優異的成績，并開源了模型和蒸餾版本，為研究社區提供了寶貴的資源。

結論3: 論文深入分析了模型訓練過程中的自進化現象和“aha moment”，揭示了強化學習在驅動模型自主學習復雜推理策略方面的潛力。這些發現有助于研究者更深入地理解 RL 的工作機制，并為未來開發更智能、更自主的模型提供啟示。結論4: DeepSeek-R1 模型也存在一些局限性，例如通用能力不足、語言混合問題和提示敏感性等，并提出了未來的改進方向，包括提升通用能力、解決語言混合問題、優化提示工程和探索在軟件工程任務上的應用等。這些分析為未來的研究工作提供了明確的方向。