亚洲国产日韩不卡综合,内射在线Chinese,日韩综合一卡二卡三卡死四卡 ,国产精品久久午夜夜伦鲁鲁

给大家科普一下亚投彩票一购彩大厅

发布时间:2025-01-26 13:14

  新智元报道

  编辑:编辑部 HYZ

  【新智元导读】就在刚刚,网上已经出现了一波复现DeepSeek的狂潮。UC伯克利、港科大、HuggingFace等纷纷成功复现,只用强化学习,没有监督微调,30美元就能见证‘啊哈时刻’!全球AI大模型,或许正在进入下一分水岭。

  这些天,硅谷彻底处于中国公司带来的大地震余波中。

  全美都在恐慌:是否全球人工智能的中心已经转移到了中国?

  就在这当口,全球复现DeepSeek的一波狂潮也来了。

  诚如LeCun所言:‘这一次,正是开源对闭源的胜利!’

  种种这些观点和讨论,让人不禁怀疑:数百亿美元支出,对这个行业真的必要吗?甚至有人说,中国量化基金的一群天才,将导致纳斯达克崩盘。

  从此,大模型时代很可能会进入一个分水岭:超强性能的模型不再独属于算力巨头,而是属于每个人。

  30美金,就能看到‘啊哈’时刻

  来自UC伯克利博士生潘家怡和另两位研究人员,在CountDown游戏中复现了DeepSeek R1-Zero。

  他们表示,结果相当出色!

  实验中,团队验证了通过强化学习RL,3B的基础语言模型也能够自我验证和搜索。

  更令人兴奋的是,成本不到30美金(约217元),就可以亲眼见证‘啊哈’时刻。

  这个项目叫做TinyZero,采用了R1-Zero算法——给定一个基础语言模型、提示和真实奖励信号,运行强化学习。

  然后,团队将其应用在CountDown游戏中(这是一个玩家使用基础算术运算,将数字组合以达到目标数字的游戏)。

  模型从最初的简单输出开始,逐步进化出自我纠正和搜索的策略。

  在以下示例中,模型提出了解决方案,自我验证,并反复纠正,直到解决问题为止。

  在消融实验中,研究人员运行了Qwen-2.5-Base(0.5B、1.5B、3B、7B四种参数规模)。

  结果发现,0.5B模型仅仅是猜测一个解决方案然后停止。而从1.5B开始,模型学会了搜索、自我验证和修正其解决方案,从而能够获得更高的分数。

  他们认为,在这个过程,基础模型的是性能的关键。

  他们还验证了,额外的指令微调(SFT)并非是必要的,这也印证了R1-Zero的设计决策。

  这是首个验证LLM推理能力的实现可以纯粹通过RL,无需监督微调的开源研究

  基础模型和指令模型两者区别:

  此外,他们还发现,具体的RL算法并不重要。PPO、GRPO、PRIME这些算法中,长思维链(Long CoT)都能够涌现,且带来不错的性能表现。

  而且,模型在推理行为中非常依赖于具体的任务:

  苹果机器学习科学家Yizhe Zhang对此表示,太酷了,小到1.5B的模型,也能通过RL涌现出自我验证的能力。

  7B模型复刻,结果令人惊讶

  港科大助理教授何俊贤的团队(共同一作黄裕振、Weihao Zeng),只用了8K个样本,就在7B模型上复刻出了DeepSeek-R1-Zero和DeepSeek-R1的训练。

  结果令人惊喜——模型在复杂的数学推理上取得了十分强劲结果。

  项目地址:https://github.com/hkust-nlp/simpleRL-reason

  他们以Qwen2.5-Math-7B(基础模型)为起点,直接对其进行强化学习。

  整个过程中,没有进行监督微调(SFT),也没有使用奖励模型。

  最终,模型在AIME基准上实现了33.3%的准确率,在AMC上为62.5%,在MATH上为77.2%。

  这一表现不仅超越了Qwen2.5-Math-7B-Instruct,并且还可以和使用超过50倍数据量和更复杂组件的PRIME和rStar-MATH相媲美!

  其中,Qwen2.5-7B-SimpleRL-Zero是在Qwen2.5-Math-7B基础模型上仅使用纯PPO方法训练的,仅采用了MATH数据集中的8K样本。

  Qwen2.5-7B-SimpleRL则首先通过Long CoT监督微调(SFT)作为冷启《亚投彩票一购彩大厅》动,然后再进行强化学习。

  在这两种方法中,团队都只使用了相同的8K MATH样本,仅此而已。

  大概在第44步的时候,‘啊哈时刻’出现了!模型的响应中,出现了自我反思。

  并且,在这个过程中,模型还显现了更长的CoT推理能力和自我反思能力。

  在博客中,研究者详细剖析了实验设置,以及在这个强化学习训练过程中所观察到的现象,例如长链式思考(CoT)和自我反思机制的自发形成。

  与DeepSeek R1类似,研究者的强化学习方案极其简单,没有使用奖励模型或MCTS(蒙特卡洛树搜索)类技术。

  他们使用的是PPO算法,并采用基于规则的奖励函数,根据生成输出的格式和正确性分配奖励:

  该实现基于OpenRLHF。初步试验表明,这个奖励函数有助于策略模型快速收敛,产生符合期望格式的输出。

  第一部分:SimpleRL-Zero(从头开始的强化学习)

  接下来,研究者为我们分享了训练过程动态分析和一些有趣的涌现模式。

  训练过程动态分析

  如下所示,所有基准测试的准确率在训练过程中都在稳步提高,而输出长度则呈现先减少后逐渐增加的趋势。

  经过进一步调查,研究者发现,Qwen2.5-Math-7B基础模型在初始阶段倾向于生成大量代码,这可能源于模型原始训练数据的分布特征。

  输出长度的首次下降,是因为强化学习训练逐渐消除了这种代码生成模式,转而学会使用自然语言进行推理。

  随后,生成长度开始再次增加,此时出现了自我反思机制。

  训练奖励和输出长度

  基准测试准确率(pass@1)和输出长度

  自我反思机制的涌现

  在训练到第 40 步左右时,研究者观察到:模型开始形成自我反思模式,这正是DeepSeek-R1论文中所描述的‘aha moment’(顿悟时刻)。

  第二部分:SimpleRL(基于模仿预热的强化学习)

  如前所述,研究者在进行强化学习之前,先进行了long CoT SFT预热,使用了8,000个从QwQ-32B-Preview中提取的MATH示例响应作为SFT数据集。

  这种冷启动的潜在优势在于:模型在开始强化学习时已具备long CoT思维模式和自我反思能力,从而可能在强化学习阶段实现更快更好的学习效果。

  与RL训练前的模型(Qwen2.5-Math-7B-Base + 8K QwQ知识蒸馏版本)相比,Qwen2.5-7B-SimpleRL的平均性能显著提升了6.9个百分点。

  此外,Qwen2.5-7B-SimpleRL不仅持续优于Eurus-2-7B-PRIME,还在5个基准测试中的3个上超越了Qwen2.5-7B-SimpleRL-Zero。

  训练过程分析

  训练奖励和输出长度

  基准测试准确率(pass@1)和输出长度

  Qwen2.5-SimpleRL的训练动态表现与Qwen2.5-SimpleRL-Zero相似。

  有趣的是,尽管研究者先进行了long CoT SFT,但在强化学习初期仍然观察到输出长度减少的现象。

  他们推测,这可能是因为从QwQ提取的推理模式不适合小型策略模型,或超出了其能力范围。

  因此,模型选择放弃这种模式,转而自主发展新的长链式推理方式。

  最后,研究者用达芬奇的一句话,对这项研究做了总结——

  简约,便是最终极的精致。

  完全开源复刻,HuggingFace下场了

  甚至,就连全球最大开源平台HuggingFace团队,今天官宣复刻DeepSeek R1所有pipeline。

  复刻完成后,所有的训练数据、训练脚本等等,将全部开源。

  这个项目叫做Open R1,当前还在进行中。发布到一天,星标冲破1.9k,斩获142个fork。

  项目地址:https://github.com/huggingface/open-r1

  研究团队以DeepSeek-R1技术报告为指导,将整个复刻过程划分为三个关键步骤。

  从斯坦福到MIT,R1成为首选

  一个副业项目,让全世界科技大厂为之惶恐。

  DeepSeek这波成功,也成为业界的神话,网友最新截图显示,这款应用已经在APP Store‘效率’应用榜单中挤进前三。

  在Hugging Face中,R1下载量直接登顶,另外3个模型也霸占着热榜。

  a16z合伙人Anjney Midha称,一夜之间,从斯坦福到MIT,DeepSeek R1已经成为美国顶尖高校研究人员‘首选模型’。

  还有研究人员表示,DeepSeek基本上取代了我用ChatGPT的需求。

  中国AI,这一次真的震撼了世界。

  参考资料:

  https://x.com/junxian_he/status/1883183099787571519

  https://x.com/jiayi_pirate/status/1882839370505621655

责任编辑:石秀珍 SF183

  以上是我今天与大家交流汇报的主要内容,不当之处,请批评 ♑指亚投彩票一购彩大厅正!谢谢大家。

  北京银行将持续深耕北京地区医保、社保、工会、教育、财政 ⏩等领域,深耕北京各区 ⛴,下沉金融服务,实现北京辖区金融服务“全 ⏬覆盖”。持续发挥科创金融、文化金融的特色优势,不断推进产品、 ❤服务、制度等各方面创新,进一步“擦亮”北京银行品牌 ♎。专注专精 ⛻特新、新三板等企业,实现优质企业服务“全覆盖”。深化与央企、 ♊市管国企深度合作,做深做透二三级子公司、上下游企业 ⛷。

  本报记者 丽贝卡 【编辑:余姝 】

  

返回顶部