出品 | 51CTO技術棧（微信號：blog51cto）

Sebastian Raschka是一位外國知名的AI專家。特別在大型語言模型（LLM）研究方面，有著豐富的研究經驗。近日DeepSeek-R1推理模型的推出，將“任何一款不是o1的模型快速蒸餾成具備強推理能力的o1”成為了可能，而且所需的成本和算力都大大降低。

但爆火有一個地方不好，就是很容易讓我們迷失在炒作的海洋中，尋找不到有價值的信息。Raschka非常nice，昨天發布了一篇有關DeepSeek推理模型的深度總結文章，信息密度極高，內容來源包含大量的技術Paper，圖文并茂，非常適合想了解DeepSeek R1背后真相的朋友們。

話不多說，這就為諸君奉上。

本文介紹了構建推理模型的四種主要方法，或者我們如何通過推理能力增強 LLM。我希望這能提供有價值的見解，并幫助您駕馭圍繞該主題的快速發展的文獻和炒作。

2024 年，LLM領域的專業化程度不斷提高。除了預訓練和微調之外，我們還見證了從 RAG 到代碼助手等專業應用程序的興起。我預計這一趨勢將在 2025 年加速，并更加注重特定領域和應用程序的優化（即“專業化”）。

第 1-3 階段是開發 LLM 的常見步驟。 第 4 階段針對特定用例專門開發 LLM。

推理模型的開發就是這些專業化之一。這意味著我們改進 LLM，使其擅長處理復雜任務，這些任務最好通過中間步驟來解決，例如謎題、高級數學和編碼挑戰。然而，這種專業化并不能取代其他 LLM 應用程序。因為將 LLM 轉換為推理模型也會帶來某些缺點，我將在后面討論。

下面簡要列出本文主要探討的幾塊內容。在本文中，我將：

1. 解釋“推理模型”的含義
2. 討論推理模型的優點和缺點
3. 概述 DeepSeek R1 背后的方法
4. 描述建立和改進推理模型的四種主要方法
5. 分享對 DeepSeek V3 和 R1 發布后 LLM 前景的看法
6. 提供在預算緊張的情況下開發推理模型的技巧

希望這篇文章對你會有用，因為人工智能今年依舊會繼續快速發展！

我們如何定義“推理模型”？

如果你從事人工智能（或一般機器學習）工作，可能對模糊且備受爭議的定義并不陌生。術語“推理模型”也不例外。最終，有人會在一篇論文中正式定義它，但在下一篇論文中又會重新定義它，依此類推。

在本文中，我將“推理”定義為回答需要復雜、多步驟生成且包含中間步驟的問題的過程。例如，像“法國首都是哪里？”這樣的事實性問答不需要推理。相比之下，像“如果一列火車以 60 英里/小時的速度行駛 3 個小時，它會行駛多遠？”這樣的問題需要一些簡單的推理。例如，它需要識別距離、速度和時間之間的關系，然后才能得出答案。

普通的 LLM 可能只提供簡短的答案（如左圖所示），而推理模型通常包括揭示部分思維過程的中間步驟。

（注意，許多未專門為推理任務開發的 LLM 也可以在其答案中提供中間推理步驟。）

大多數現代大型語言模型都具備基本的推理能力，能夠回答像“如果一列火車以每小時60英里的速度行駛了3小時，它走了多遠？”這樣的問題。因此，如今當我們提到推理模型時，我們通常指的是那些在更復雜的推理任務（如解謎題、猜謎語和數學證明）中表現出色的大型語言模型。

此外，如今大多數被標記為推理模型的大型語言模型在其回應中都包含一個“思考”或“思維”過程。大型語言模型是否以及如何真正“思考”則是另一個討論話題。

推理模型中的中間步驟可以以兩種方式出現。首先，它們可以明確地包含在回應中，如前圖所示。其次，一些推理型大型語言模型（例如OpenAI的o1）會進行多次迭代，其中的中間步驟不會展示給用戶。

“推理”用于兩個不同的層面：1）處理輸入并通過多個中間步驟生成；2）提供某種推理作為對用戶的響應的一部分。

我們什么時候應該使用推理模型？

現在我們已經定義了推理模型，我們可以進入更有趣的部分：如何構建和改進用于推理任務的 LLM。然而，在深入研究技術細節之前，重要的是要考慮何時真正需要推理模型。

我們什么時候需要推理模型？推理模型旨在擅長解決復雜任務，例如解決難題、高級數學問題和具有挑戰性的編碼任務。但是，對于總結、翻譯或基于知識的問答等簡單任務，它們并不是必需的。

事實上，將推理模型用于所有事情可能效率低下且成本高昂。例如，推理模型通常使用起來更昂貴、更冗長，有時由于“過度思考”而更容易出錯。這里也適用一條簡單的規則：使用正確的工具（或 LLM 類型）來完成任務。

下圖總結了推理模型的主要優勢和局限性。

推理模型的主要優勢和劣勢

簡要介紹一下 DeepSeek 的訓練流程

在下一節討論構建和改進推理模型的四種主要方法之前，我想簡要概述一下 DeepSeek R1 流程，如DeepSeek R1 技術報告中所述。該報告既是一個有趣的案例研究，也是開發推理 LLM 的藍圖。

請注意，DeepSeek 并沒有發布單個 R1 推理模型，而是引入了三種不同的變體：DeepSeek-R1-Zero、DeepSeek-R1 和 DeepSeek-R1-Distill。

根據技術報告中的描述，我在下圖中總結了這些模型的發展過程。

圖片

DeepSeek R1 技術報告中討論了 DeepSeeks 的三種不同推理模型的開發過程。

接下來我們先簡單回顧一下上圖所示的流程，下一節會詳細介紹構建和改進推理模型的四種主要方法。

（1）DeepSeek-R1-Zero：該模型基于 2024 年 12 月發布的 671B 預訓練 DeepSeek-V3 基礎模型。研究團隊使用強化學習 (RL) 對其進行訓練，并采用兩種類型的獎勵。這種方法被稱為“冷啟動”訓練，因為它不包括監督微調 (SFT) 步驟，而這通常是帶人工反饋的強化學習 (RLHF) 的一部分。

（2）DeepSeek-R1：這是 DeepSeek 的旗艦推理模型，基于 DeepSeek-R1-Zero 構建。團隊通過增加 SFT 階段和進一步的 RL 訓練對其進行了進一步完善，從而改進了“冷啟動”的 R1-Zero 模型。

（3）DeepSeek-R1-Distill*：DeepSeek 團隊利用前面步驟生成的 SFT 數據對 Qwen 和 Llama 模型進行微調，以增強其推理能力。雖然這不是傳統意義上的蒸餾，但這個過程涉及在較大的 DeepSeek-R1 671B 模型的輸出上訓練較小的模型（Llama 8B 和 70B，以及 Qwen 1.5B–30B）。

建立和改進推理模型的四種主要方法在本節中，我將概述當前用于增強 LLM 推理能力和構建專門推理模型（如 DeepSeek-R1、OpenAI 的 o1 和 o3 等）的關鍵技術。

注意：o1 和 o3 的具體工作原理在 OpenAI 之外仍不得而知。不過，據傳它們將同時利用推理和訓練技術。

1）推理時間擴展

提高 LLM 推理能力（或一般任何能力）的一種方法是推理時間擴展。這個術語可能有多種含義，但在這種情況下，它指的是在推理過程中增加計算資源以提高輸出質量。

粗略地類比一下，當人們有更多時間思考復雜問題時，他們往往會做出更好的反應。同樣，我們可以應用一些技巧，鼓勵LLM在回答問題時更多地“思考”。（不過，LLM是否真的“思考”是另一個話題。）

推理時間擴展的一個直接方法是巧妙的提示工程。一個典型的例子是思路鏈 (CoT) 提示，其中輸入提示中包含“逐步思考”等短語。這鼓勵模型生成中間推理步驟，而不是直接跳到最終答案，這通常（但并非總是）可以在更復雜的問題上產生更準確的結果。（請注意，對于更簡單的基于知識的問題，例如“法國的首都是什么”，采用這種策略是沒有意義的，這又是一個很好的經驗法則，可以找出推理模型是否適合你的輸入查詢。）

2022 年大型語言模型中的經典 CoT 提示的一個示例是零樣本推理器論文 (https://arxiv.org/abs/2205.1191)

上述 CoT 方法可以看作是推理時間擴展，因為它通過生成更多的輸出標記使推理更加昂貴。

另一種推理時間擴展方法是使用投票和搜索策略。一個簡單的例子是多數投票，我們讓 LLM 生成多個答案，然后我們通過多數投票選擇正確的答案。同樣，我們可以使用集束搜索和其他搜索算法來生成更好的響應。

我強烈推薦我在之前的《2024 年值得關注的 AI 研究論文（第二部分）》文章中描述的《擴展 LLM 測試時間計算優化比擴展模型參數更有效》論文，以了解有關這些不同策略的更多詳細信息。

文章鏈接：https://magazine.sebastianraschka.com/p/ai-research-papers-2024-part-2

不同的基于搜索的方法依賴于基于過程獎勵的模型來選擇最佳答案。

注釋圖來自 LLM Test-Time Compute 論文，https://arxiv.org/abs/2408.03314

DeepSeek R1 技術報告指出，其模型不使用推理時間縮放。然而，這種技術通常在 LLM 之上的應用層實現，因此 DeepSeek 有可能在其應用程序中應用它。

我懷疑 OpenAI 的 o1 和 o3 模型使用了推理時間縮放，這可以解釋為什么它們與 GPT-4o 等模型相比相對昂貴。除了推理時間縮放之外，o1 和 o3 可能使用與 DeepSeek R1 類似的 RL 管道進行訓練。下面兩節將詳細介紹強化學習。

2）純強化學習（RL）

我個人對DeepSeek R1 論文的亮點之一是他們發現推理是純強化學習 (RL) 的一種行為。讓我們更詳細地探討一下這意味著什么。

如前所述，DeepSeek 開發了三種類型的 R1 模型。第一種是DeepSeek-R1-Zero ，它建立在 DeepSeek-V3 基礎模型之上，這是他們于 2024 年 12 月發布的標準預訓練 LLM。與典型的 RL 流程不同，在 RL 之前應用監督微調 (SFT)，DeepSeek-R1-Zero僅使用強化學習進行訓練，沒有初始 SFT 階段，如下圖所示。

DeepSeek-R1-Zero模型的開發過程

不過，這種 RL 過程類似于常用的 RLHF 方法，后者通常應用于偏好調整 LLM。（我在我的文章《LLM 訓練：RLHF 及其替代方案》中更詳細地介紹了 RLHF 。）

但是，如上所述，DeepSeek-R1-Zero的關鍵區別在于它們跳過了用于指令調整的監督微調 (SFT) 階段。這就是為什么他們將其稱為“純”RL。（盡管 LLM 背景下的 RL 與傳統 RL 有很大不同，這是另一個話題。）

對于獎勵，他們沒有使用根據人類偏好訓練的獎勵模型，而是采用了兩種類型的獎勵：準確性獎勵和格式獎勵。

• 準確性獎勵使用LeetCode 編譯器來驗證編碼答案，并使用確定性系統來評估數學響應。
• 格式獎勵依賴于 LLM 評委來確保響應遵循預期格式，例如將推理步驟放在 <think> 標簽內。

令人驚訝的是，這種方法足以讓 LLM 培養基本的推理能力。研究人員觀察到一個“啊哈！”時刻，盡管模型沒有經過明確的訓練，但它開始在其反應中生成推理痕跡，如下圖所示。

DeepSeek R1 技術報告 (https://arxiv.org/abs/2501.12948) 中的一張圖展示了“啊哈”時刻的出現。

雖然 R1-Zero 并不是表現最好的推理模型，但它確實通過生成中間“思考”步驟展示了推理能力，如上圖所示。這證實了使用純 RL 開發推理模型是可能的，而 DeepSeek 團隊是第一個展示（或至少發布）這種方法的團隊。

3）監督微調和強化學習（SFT + RL）

接下來我們來看看 DeepSeek 的旗艦推理模型 DeepSeek-R1 的開發歷程，它是構建推理模型的藍圖。該模型在 DeepSeek-R1-Zero 的基礎上進行了改進，加入了額外的監督微調 (SFT) 和強化學習 (RL)，以提高其推理性能。

請注意，在 RL 之前包含 SFT 階段實際上很常見，如標準 RLHF 管道中所示。OpenAI 的 o1 很可能是使用類似的方法開發的。

DeepSeek-R1模型的開發過程

如上圖所示，DeepSeek 團隊使用 DeepSeek-R1-Zero 生成所謂的“冷啟動”SFT 數據。術語“冷啟動”指的是這些數據是由 DeepSeek-R1-Zero 生成的，而 DeepSeek-R1-Zero 本身并未接受過任何監督微調 (SFT) 數據的訓練。

使用此冷啟動 SFT 數據，DeepSeek 隨后通過指令微調訓練模型，然后進行另一個強化學習 (RL) 階段。此 RL 階段保留了 DeepSeek-R1-Zero RL 過程中使用的相同準確度和格式獎勵。但是，他們添加了一致性獎勵以防止語言混合，當模型在響應中在多種語言之間切換時會發生這種情況。

強化學習階段之后是另一輪 SFT 數據收集。在此階段，使用最新的模型檢查點生成 600K 個思路鏈 (CoT) SFT 示例，同時使用 DeepSeek-V3 基礎模型創建另外 200K 個基于知識的 SFT 示例。

然后，這 600K + 200K SFT 樣本被用于另一輪強化學習。在此階段，他們再次使用基于規則的方法對數學和編碼問題進行準確率獎勵，而對其他問題類型使用人類偏好標簽。

最終模型 DeepSeek-R1 由于增加了 SFT 和 RL 階段，性能較 DeepSeek-R1-Zero 有明顯提升，如下表所示。

OpenAI A1 和 DeepSeek R1 模型的基準比較。注釋圖來自 DeepSeek-R1 技術報告 (https://arxiv.org/abs/2501.12948)。

4）純監督微調（SFT）和蒸餾

到目前為止，我們已經介紹了構建和改進推理模型的三種主要方法：

• 推理時間擴展，一種無需訓練或以其他方式修改底層模型即可提高推理能力的技術。
• 純強化學習 (RL)，如 DeepSeek-R1-Zero，它表明推理可以作為一種學習行為出現，而無需監督微調。
• 監督微調（SFT）加上 RL，這產生了 DeepSeek 的旗艦推理模型 DeepSeek-R1。

那么，還剩下什么呢？模型“蒸餾”。

令人驚訝的是，DeepSeek 還發布了通過他們稱之為“蒸餾”的過程訓練的較小模型。然而，在大型語言模型的背景下，蒸餾并不一定遵循深度學習中使用的經典知識蒸餾方法。傳統上，在知識蒸餾中（如我的《機器學習問答與人工智能》一書第 6 章中簡要描述的那樣），較小的學生模型在較大的教師模型和目標數據集的對數上進行訓練。

相反，這里的蒸餾是指在由較大的 LLM 生成的 SFT 數據集上對較小的 LLM（例如 Llama 8B 和 70B 以及 Qwen 2.5 模型（0.5B 到 32B））進行指令微調。具體來說，這些較大的 LLM 是 DeepSeek-V3 和 DeepSeek-R1 的中間檢查點。事實上，用于此蒸餾過程的 SFT 數據與用于訓練 DeepSeek-R1 的數據集相同，如上一節所述。

為了闡明這一過程，我在下圖中突出顯示了蒸餾部分。

DeepSeek-R1-Distill模型的開發過程。

他們為什么要開發這些蒸餾模型？我認為有兩個主要原因：

1. 較小的模型效率更高。這意味著它們運行起來更便宜，但它們也可以在低端硬件上運行，這對許多像我一樣的研究人員和修補匠來說尤其有趣。

2. 純 SFT 案例研究。這些蒸餾模型可作為有趣的基準，展示純監督微調 (SFT) 在沒有強化學習的情況下可以讓模型走多遠。

下表比較了這些蒸餾模型與其他流行模型以及 DeepSeek-R1-Zero 和 DeepSeek-R1 的性能。

蒸餾模型與非蒸餾模型的基準比較。

注釋圖來自 DeepSeek-R1 技術報告 (https://arxiv.org/abs/2501.12948)。

我們可以看到，精簡后的模型明顯弱于 DeepSeek-R1，但與 DeepSeek-R1-Zero 相比，它們卻出奇地強大，盡管規模小了幾個數量級。值得注意的是，這些模型與 o1 mini 相比表現得非常好（我懷疑 o1-mini 本身可能是 o1 的一個類似的精簡版本）。

在用結論結束本節之前，還有一個有趣的比較值得一提。DeepSeek 團隊測試了 DeepSeek-R1-Zero 中出現的新興推理行為是否也會出現在較小的模型中。為了研究這一點，他們將 DeepSeek-R1-Zero 中相同的純 RL 方法直接應用于 Qwen-32B。

下表總結了本次實驗的結果，其中 QwQ-32B-Preview 是 Qwen 團隊基于 Qwen 2.5 32B 開發的參考推理模型（我認為訓練細節從未披露過）。此比較提供了一些額外的見解，即純 RL 是否可以在比 DeepSeek-R1-Zero 小得多的模型中誘導推理能力。

在較小的 32B 模型上對蒸餾和 RL 進行基準比較。

注釋圖來自 DeepSeek-R1 技術報告 (https://arxiv.org/abs/2501.12948)。

有趣的是，結果表明，對于較小的模型，蒸餾比純強化學習更有效。這與以下觀點一致：單靠強化學習可能不足以在這種規模的模型中產生強大的推理能力，而使用高質量推理數據進行 SFT 在使用小模型時可能是一種更有效的策略。

為了完整性，查看表格中的其他比較將會很有用：

1. Qwen-32B 使用 SFT + RL 進行訓練，類似于 DeepSeek-R1 的開發方式。這將有助于確定當 RL 與 SFT 結合時，與純 RL 和純 SFT 相比可以取得多大的改進。

2. DeepSeek-V3 使用純 SFT 進行訓練，與創建蒸餾模型的方式類似。這樣可以直接比較，看看 RL + SFT 相對于純 SFT 的效果如何。

結論

在本節中，我們探討了構建和改進推理模型的四種不同策略：

1. 推理時間擴展不需要額外的訓練，但會增加推理成本，隨著用戶數量或查詢量的增加，大規模部署的成本會更高。不過，對于已經很強大的模型來說，提高性能仍然是明智之舉。我強烈懷疑 o1 利用了推理時間擴展，這有助于解釋為什么與 DeepSeek-R1 相比，它在每 token 基礎上的成本更高。

2. 純 RL 對于研究目的來說很有趣，因為它提供了對推理作為一種新興行為的洞察。然而，在實際模型開發中，RL + SFT 是首選方法，因為它可以產生更強大的推理模型。我強烈懷疑 o1 也是使用 RL + SFT 進行訓練的。更準確地說，我相信 o1 從比 DeepSeek-R1 更弱、更小的基礎模型開始，但通過 RL + SFT 和推理時間縮放進行了補償。

3. 如上所述，RL + SFT 是構建高性能推理模型的關鍵方法。DeepSeek-R1 是一個很好的藍圖，展示了如何做到這一點。

4. 蒸餾是一種有吸引力的方法，尤其是用于創建更小、更高效的模型。然而，蒸餾的局限性在于它不會推動創新或產生下一代推理模型。例如，蒸餾總是依賴于現有的、更強大的模型來生成監督微調 (SFT) 數據。

我預計接下來會看到的一個有趣的方面是將 RL + SFT（方法 3）與推理時間擴展（方法 1）相結合。這很可能是 OpenAI o1 正在做的事情，只不過它可能基于比 DeepSeek-R1 更弱的基礎模型，這解釋了為什么 DeepSeek-R1 表現如此出色，同時在推理時間上保持相對便宜。

關于 DeepSeek R1 的思考

最近幾周，很多人都問我對 DeepSeek-R1 模型的看法。簡而言之，我認為它們是一項了不起的成就。作為一名研究工程師，我特別欣賞這份詳細的技術報告，它提供了我可以從中學習的方法論見解。

最令人著迷的收獲之一是推理是如何從純強化學習中發展成為一種行為的。令人印象深刻的是，DeepSeek 已根據寬松的 MIT 開源許可證對其模型進行了開源，該許可證的限制甚至比 Meta 的 Llama 模型還要少。

與 o1 相比如何？

DeepSeek-R1 比 o1 好嗎？我認為兩者大致相同。然而，最突出的是 DeepSeek-R1 在推理時間上更高效。這表明 DeepSeek 可能在訓練過程中投入了更多，而 OpenAI 可能更多地依賴于 o1 的推理時間擴展。

盡管如此，很難直接比較 o1 和 DeepSeek-R1，因為 OpenAI 尚未披露有關 o1 的太多信息。例如，我們不知道：

• o1 也是專家混合體 (MoE) 嗎？
• o1 有多大？
• o1 可能只是 GPT-4o 的稍微改進版本，具有最少的 RL + SFT 和僅廣泛的推理時間擴展嗎？

如果不知道這些細節，直接的比較就只是蘋果和橘子之間的比較。

訓練 DeepSeek-R1 的成本

另一個討論點是開發 DeepSeek-R1 的成本。有人提到訓練成本約為 600 萬美元，但他們可能將 DeepSeek-V3（去年 12 月發布的基礎模型）和 DeepSeek-R1 混為一談。

600 萬美元的估算是基于每 GPU 小時 2 美元的假設以及 DeepSeek-V3 最終訓練運行所需的 GPU 小時數，該估算最初于 2024 年 12 月進行討論。

然而，DeepSeek 團隊從未透露 R1 的具體 GPU 小時數或開發成本，因此任何成本估算都還只是純粹的猜測。

無論如何，最終，DeepSeek-R1 是開放權重推理模型的一個重要里程碑，并且其推理時間的效率使其成為 OpenAI o1 的一個有趣替代品。

在有限的預算下開發推理模型開發 DeepSeek-R1 級推理模型可能需要數十萬到數百萬美元，即使從像 DeepSeek-V3 這樣的開放權重基礎模型開始也是如此。對于預算有限的研究人員或工程師來說，這可能會令人沮喪。

好消息：蒸餾可以發揮很大作用

幸運的是，模型蒸餾提供了一種更具成本效益的替代方案。DeepSeek 團隊通過他們的 R1 蒸餾模型證明了這一點，盡管比 DeepSeek-R1 小得多，但其推理性能卻出奇地強大。然而，即使是這種方法也并不完全便宜。他們的蒸餾過程使用了 800K SFT 樣本，這需要大量計算。

有趣的是，就在 DeepSeek-R1 發布前幾天，我偶然看到了一篇關于 Sky-T1 的文章，這是一個令人著迷的項目，一個小團隊僅使用 17K SFT 樣本訓練了一個開放權重 32B 模型。總成本是多少？僅需 450 美元，這比大多數 AI 會議的注冊費還低。

這個例子表明，盡管大規模訓練仍然昂貴，但較小規模、有針對性的微調工作仍然可以以極低的成本產生令人印象深刻的結果。

圖源：《Sky-T1：450 美元以內訓練你自己的 O1 預覽模型》

https://novasky-ai.github.io/posts/sky-t1/

根據他們的基準測試，Sky-T1 的表現與 o1 大致相當，考慮到其低訓練成本，這令人印象深刻。

預算內的純 RL：TinyZero

雖然 Sky-T1 專注于模型提煉，但我也在“純 RL”領域發現了一些有趣的工作。一個值得注意的例子是TinyZero ，這是一個 3B 參數模型，它復制了 DeepSeek-R1-Zero 方法（附注：訓練成本不到 30 美元）。

令人驚訝的是，即使只有 3B 參數，TinyZero 也表現出一些突發的自我驗證能力，這支持了推理可以通過純 RL 出現的想法，即使在小模型中也是如此。

TinyZero 存儲庫提到研究報告仍在進行中，我一定會密切關注更多細節。

TinyZero 存儲庫 (https://github.com/Jiayi-Pan/TinyZero) 中的一張圖片顯示該模型能夠進行自我驗證。（相比之下，看看基礎模型的響應會很有趣。）

上述兩個項目表明，即使預算有限，也可以在推理模型上開展有趣的工作。雖然這兩種方法都復制了 DeepSeek-R1 的方法，一種專注于純 RL（TinyZero），另一種專注于純 SFT（Sky-T1），但探索如何進一步擴展這些想法將非常有趣。

超越傳統 SFT：旅程學習

去年我偶然發現一種特別有趣的方法，論文《O1 復制之旅：戰略進展報告 - 第 1 部分》中對此進行了描述。盡管標題如此，但該論文實際上并沒有復制 o1。相反，它介紹了一種改進蒸餾（純 SFT）過程的另一種方法。

論文的核心思想是用“旅程學習”（Journey Learning）替代“捷徑學習”。

• 捷徑學習是指指令微調的傳統方法，其中僅使用正確的解決方案路徑來訓練模型。
• 另一方面，旅程學習也包括錯誤的解決路徑，讓模型從錯誤中學習。

這種方法與 TinyZero 的純 RL 訓練中觀察到的自我驗證能力有點相似，但它專注于完全通過 SFT 改進模型。通過讓模型接觸錯誤的推理路徑及其修正，旅程學習還可以增強自我修正能力，從而可能通過這種方式使推理模型更加可靠。

與傳統的捷徑學習不同，旅程學習在 SFT 數據中包含了錯誤的解決方案路徑。

注釋圖來自《O1 復制之旅：戰略進展報告 - 第 1 部分》（https://arxiv.org/abs/2410.18982）

這可能是未來工作的一個令人興奮的方向，特別是對于低預算推理模型開發，因為基于 RL 的方法在計算上可能不切實際。

無論如何，推理模型方面目前正在發生很多有趣的工作，我相信我們將在接下來的幾個月里看到更多令人興奮的工作！

參考鏈接：https://magazine.sebastianraschka.com/p/understanding-reasoning-llms