“幾十塊”從零復(fù)現(xiàn)deepseek-R1–zero“頓悟時(shí)刻”不可能實(shí)驗(yàn)驗(yàn)證 原創(chuàng)
最近各種營(yíng)銷號(hào)鼓吹基于qwen的模型幾十塊錢(qián)復(fù)現(xiàn)deepseek-R1-zero，坑壞了算法工程師，筆者實(shí)驗(yàn)驗(yàn)證下這個(gè)夸張說(shuō)法，因?yàn)閷?shí)驗(yàn)僅僅是快速的實(shí)現(xiàn)，無(wú)過(guò)多的優(yōu)化，下面實(shí)驗(yàn)數(shù)據(jù)僅供參考，歡迎指正。
實(shí)驗(yàn)過(guò)程
DeepSeek-R1-Zero過(guò)程
DeepSeek-R1-Zero是一個(gè)純RL（無(wú)SFT）來(lái)探索模型推理能力的過(guò)程（基于GRPO的RL優(yōu)化過(guò)程）。Reward Model是基于規(guī)則的獎(jiǎng)勵(lì)過(guò)程（Rule-Base RM），R1-Zero階段只關(guān)注數(shù)學(xué)、程序類推理問(wèn)題，都是能簡(jiǎn)單通過(guò)規(guī)則判別答案對(duì)錯(cuò)的，所以獎(jiǎng)勵(lì)模型采用的是純Rule-Base 的設(shè)計(jì)，主要包括2類Reward：
- 正確性校驗(yàn)Reward：數(shù)學(xué)問(wèn)題通過(guò)簡(jiǎn)單的規(guī)則抽取答案與ground truth對(duì)比校驗(yàn)。對(duì)于程序題，通過(guò)編譯生成的程序，校驗(yàn)是否能通過(guò)測(cè)試用例，產(chǎn)生一致的答案
- 格式校驗(yàn)Reward：校驗(yàn)是否thought內(nèi)容是包含在‘’ 和 ‘’tags之間
模版設(shè)計(jì)
遵循論文的方式，如下：
DeepSeek-R1-Zero prompt模版
訓(xùn)練目標(biāo)-產(chǎn)生如“頓悟時(shí)刻”的思考過(guò)程
“Aha Moment” -頓悟時(shí)刻：這個(gè)短語(yǔ)中的 “aha” 是一個(gè)象聲詞，用來(lái)表示突然的領(lǐng)悟或發(fā)現(xiàn)時(shí)發(fā)出的驚嘆聲。就像人們?cè)谕蝗幌朊靼滓患虑榈臅r(shí)候，可能會(huì)不自覺(jué)地發(fā)出 “啊哈！” 這樣的聲音。
DeepSeek-R1-Zero報(bào)告中-頓悟時(shí)刻
實(shí)驗(yàn)設(shè)計(jì)
- 模型選型：?
?Qwen2___5-3B-Instruct??和??Qwen2___5-7B-Instruct??，網(wǎng)上有很多實(shí)驗(yàn)已經(jīng)驗(yàn)證了3B以下的模型沒(méi)什么作用，就不浪費(fèi)時(shí)間了。 - 數(shù)據(jù)集：https://huggingface.co/datasets/Jiayi-Pan/Countdown-Tasks-3to4，使用這個(gè)數(shù)據(jù)集的目標(biāo)是根據(jù)一個(gè)數(shù)字列表，組成表達(dá)式得到一個(gè)數(shù)值的過(guò)程：如：給定[1,2,3]組成表達(dá)式得到6，即：1+2+3=6。
- 強(qiáng)化學(xué)習(xí)算法：基于群體相對(duì)策略優(yōu)化（Group Relative Policy Optimization，GRPO）
- 實(shí)驗(yàn)環(huán)境：8 * H100
實(shí)驗(yàn)過(guò)程
先說(shuō)結(jié)論，筆者基于7B以下的模型，尚未復(fù)現(xiàn)出“頓悟時(shí)刻”，按照網(wǎng)上一些營(yíng)銷說(shuō)法，推理模型在啟動(dòng)訓(xùn)練后很快就會(huì)產(chǎn)生“頓悟時(shí)刻”，然而實(shí)際卻不是，下面來(lái)看兩個(gè)基于qwen-7B訓(xùn)練一小時(shí)后采樣的例子（例子顯示推理過(guò)程太過(guò)于線性）：
case1：
基于qwen-7B訓(xùn)練一小時(shí)后采樣
理論上要產(chǎn)生的“頓悟時(shí)刻”效果？
case2：
基于qwen-7B訓(xùn)練一小時(shí)后采樣
理論上要產(chǎn)生的“頓悟時(shí)刻”效果？
豆包生成
顯存占用情況如下圖：按照5刀一小時(shí)的服務(wù)器租用價(jià)格，假設(shè)訓(xùn)練24小時(shí)，也需要120刀了。
幾點(diǎn)猜想
- 要產(chǎn)生“頓悟時(shí)刻”的能力，與基座模型的參數(shù)量強(qiáng)相關(guān)
- 要產(chǎn)生“頓悟時(shí)刻”的能力，基座模型要“語(yǔ)言犀利？”，或者風(fēng)格別那么嚴(yán)肅、沉穩(wěn)？
總結(jié)
實(shí)踐出真知，本文僅作記錄、參考，簡(jiǎn)單的實(shí)驗(yàn)復(fù)現(xiàn)驗(yàn)證幾十塊復(fù)現(xiàn)一個(gè)R1-zero模型的不可能性（如果是純粹的基于qwen2.5-7B以下模型經(jīng)過(guò)RL得到一個(gè)R1-zero模型），代碼就不整理了，今天看到一個(gè)新的實(shí)現(xiàn)倉(cāng)庫(kù)供參考：https://github.com/GAIR-NLP/LIMO
本文轉(zhuǎn)載自公眾號(hào)大模型自然語(yǔ)言處理 作者：余俊暉
