一文帶你理解現在推理大模型，以及DeepSeek R1的技術實現

原標題：一文理解推理大模型-Understanding Reasoning LLMs
文章來源：智猩猩GenAI
內容字數：9850字

理解推理大型語言模型

本文概述了Sebastian Raschka關于理解推理大型語言模型（LLMs）的博客文章。文章探討了推理模型的定義、優缺點，以及構建和改進它們的四種主要方法。文章還介紹了DeepSeek R1的訓練方法，并分享了在低成本下訓練推理模型的技巧。

1. 何謂“推理模型”？

文章首先澄清了“推理模型”這一模糊概念。作者將其定義為能夠回答需要復雜、多步驟生成并包含中間步驟的問題的模型。例如，“如果一列火車以每小時60英里的速度行駛3小時，它能走多遠？”就需要推理能力。與之相對，“法國的首都是哪里？”則只需事實檢索。

大多數LLMs都具備基本的推理能力，但“推理模型”通常指在更復雜的推理任務（如解決謎題、謎語和數學證明）中表現出色的LLMs。這些模型通常會在回答中顯示其“思考”過程，這可以通過明確包含在回復中或通過多個內部迭代實現。

2. 何時使用推理模型？

推理模型擅長解決復雜任務，例如解決謎題、高級數學問題和具有挑戰性的編程任務。然而，對于簡單的任務（如摘要、翻譯或基于知識的問題回答），使用推理模型則效率低下且成本高昂。文章強調需要根據任務選擇合適的工具或LLM。

3. DeepSeek 訓練流程概述

文章概述了DeepSeek發布的三個不同模型變體：DeepSeek-R1-Zero、DeepSeek-R1和DeepSeek-R1-Distill。DeepSeek-R1-Zero采用純強化學習（RL）訓練，無需監督微調（SFT）；DeepSeek-R1則在DeepSeek-V3基礎上，先進行SFT，再進行RL訓練；DeepSeek-R1-Distill則通過蒸餾技術，在SFT數據上微調Qwen和Llama模型。

4. 四種構建和改進推理模型的方法

文章總結了四種增強LLMs推理能力的關鍵技術：

1. 推理時間擴展：在推理時增加計算資源以提高輸出質量，例如使用思維鏈（CoT）提示或投票和搜索策略。
2. 純強化學習：DeepSeek R1-Zero證明了僅使用RL即可訓練出具備推理能力的模型，其獎勵機制包括準確性和格式獎勵。
3. 監督微調和強化學習：這是目前構建高性能推理模型的主要方法，DeepSeek R1即采用了這種方法。
4. 純監督微調（SFT）和蒸餾：通過在大型LLMs生成的SFT數據集上微調較小的LLMs，可以創建更高效、成本更低的模型。

5. 對DeepSeek R1的思考

文章認為DeepSeek R1是一個了不起的工作，其開源和高效性使其成為OpenAI的o1的一個有趣替代品。但直接比較兩者存在難度，因為OpenAI沒有公開o1的許多細節。

6. 在小成本下訓練推理模型

文章指出，訓練DeepSeek R1級別的模型成本高昂，但模型蒸餾提供了一種更具成本效益的替代方案。文章還介紹了Sky-T1和TinyZero兩個項目，分別展示了在低成本下通過SFT和純RL訓練推理模型的可行性。

7. 總結

文章總結了當前推理模型領域的前沿技術，并展望了未來發展方向，例如“旅程學習”方法，該方法通過讓模型學習錯誤的解決路徑來提高模型的推理能力和魯棒性。

聯系作者

文章來源：智猩猩GenAI
作者微信：
作者簡介：智猩猩旗下賬號，專注于生成式人工智能，主要分享技術文章、論文成果與產品信息。