摘要
原文地址:
我們介紹了我們的第一代推理模型翎苫,DeepSeek-R1-Zero 和 DeepSeek-R1。
DeepSeek-R1-Zero 是一個通過大規(guī)模強(qiáng)化學(xué)習(xí)(RL)訓(xùn)練的模型,且在此過程中未使用監(jiān)督微調(diào)(SFT)作為預(yù)處理步驟论悴,展現(xiàn)出了顯著的推理能力衷掷。
通過 RL,DeepSeek-R1-Zero 自然而然地展現(xiàn)了許多強(qiáng)大且引人注目的推理行為。
然而派哲,它也遇到了一些挑戰(zhàn)只估,如可讀性差和語言混雜志群。為了應(yīng)對這些問題并進(jìn)一步增強(qiáng)推理性能,我們推出了 DeepSeek-R1蛔钙,后者在 RL 之前引入了多階段訓(xùn)練和冷啟動數(shù)據(jù)锌云。DeepSeek-R1 在推理任務(wù)上的表現(xiàn)與 OpenAI-o1-1217 相當(dāng)。
為了支持研究社區(qū)吁脱,我們開源了 DeepSeek-R1-Zero桑涎、DeepSeek-R1 以及六個基于 Qwen 和 Llama 提煉的深度模型(1.5B、7B兼贡、8B攻冷、14B、32B遍希、70B)等曼。
1. 引言
近年來,大型語言模型(LLMs)經(jīng)歷了快速的迭代和進(jìn)化(Anthropic, 2024; Google, 2024; OpenAI, 2024a),逐漸縮小了與人工通用智能(AGI)的差距禁谦。
最近胁黑,后訓(xùn)練已成為完整訓(xùn)練流程中的一個重要組成部分。它已被證明可以提高推理任務(wù)的準(zhǔn)確性州泊,與社會價(jià)值觀對齊丧蘸,并適應(yīng)用戶偏好,同時相較于預(yù)訓(xùn)練所需的計(jì)算資源相對較少拥诡。在推理能力方面触趴,OpenAI的o1系列模型(OpenAI, 2024b)首次通過增加思維鏈推理過程的長度引入了推理時間縮放。這種方法在數(shù)學(xué)渴肉、編碼和科學(xué)推理等各種推理任務(wù)中取得了顯著改進(jìn)冗懦。然而,有效的測試時間縮放仍然是研究界的一個開放性問題仇祭。之前的一些研究探索了各種方法披蕉,包括基于過程的獎勵模型(Lightman等,2023乌奇;Uesato等没讲,2022;Wang等礁苗,2023)爬凑、強(qiáng)化學(xué)習(xí)(Kumar等,2024)以及蒙特卡洛樹搜索和束搜索等搜索算法(Feng等试伙,2024嘁信;Trinh等,2024疏叨;Xin等潘靖,2024)。然而蚤蔓,這些方法均未達(dá)到與OpenAI的o1系列模型相媲美的通用推理性能卦溢。
在本文中,我們邁出了使用純強(qiáng)化學(xué)習(xí)(RL)改進(jìn)語言模型推理能力的第一步秀又。我們的目標(biāo)是探索LLMs在沒有監(jiān)督數(shù)據(jù)的情況下發(fā)展推理能力的潛力单寂,重點(diǎn)關(guān)注它們通過純RL過程的自我進(jìn)化。具體來說涮坐,我們使用DeepSeek-V3-Base作為基礎(chǔ)模型凄贩,并采用GRPO(Shao等,2024)作為RL框架袱讹,以提高模型在推理中的表現(xiàn)。在訓(xùn)練過程中,DeepSeek-R1-Zero自然涌現(xiàn)出許多強(qiáng)大且有趣的推理行為捷雕。經(jīng)過數(shù)千次RL步驟后椒丧,DeepSeek-R1-Zero在推理基準(zhǔn)測試中表現(xiàn)出超強(qiáng)性能。例如救巷,AIME 2024上的pass@1分?jǐn)?shù)從15.6%提高到71.0%壶熏,通過多數(shù)投票,分?jǐn)?shù)進(jìn)一步提高到86.7%浦译,與OpenAI-o1-0912的性能相匹配棒假。
然而,DeepSeek-R1-Zero遇到了可讀性差和語言混合等挑戰(zhàn)精盅。為了解決這些問題并進(jìn)一步提高推理性能帽哑,我們引入了DeepSeek-R1,它結(jié)合了少量冷啟動數(shù)據(jù)和多階段訓(xùn)練流程叹俏。具體來說妻枕,我們首先收集數(shù)千個冷啟動數(shù)據(jù)來微調(diào)DeepSeek-V3-Base模型。隨后粘驰,我們進(jìn)行類似DeepSeek-R1-Zero的面向推理的RL屡谐。在RL過程接近收斂時,我們通過對RL檢查點(diǎn)的拒絕采樣創(chuàng)建新的SFT數(shù)據(jù)蝌数,并結(jié)合來自DeepSeek-V3的寫作愕掏、事實(shí)問答和自我認(rèn)知等領(lǐng)域的監(jiān)督數(shù)據(jù),然后重新訓(xùn)練DeepSeek-V3-Base模型顶伞。在使用新數(shù)據(jù)進(jìn)行微調(diào)后饵撑,檢查點(diǎn)會經(jīng)歷額外的RL過程,考慮所有場景的提示枝哄。經(jīng)過這些步驟后肄梨,我們獲得了一個稱為DeepSeek-R1的檢查點(diǎn),其性能與OpenAI-o1-1217相當(dāng)挠锥。
我們進(jìn)一步探索了從DeepSeek-R1到更小密集模型的蒸餾众羡。使用Qwen2.5-32B(Qwen, 2024b)作為基礎(chǔ)模型,直接從DeepSeek-R1進(jìn)行蒸餾優(yōu)于在其上應(yīng)用RL蓖租。這表明較大基礎(chǔ)模型發(fā)現(xiàn)的推理模式對于提高推理能力至關(guān)重要粱侣。我們開源了蒸餾后的Qwen和Llama(Dubey等,2024)系列蓖宦。值得注意的是齐婴,我們蒸餾的14B模型大幅優(yōu)于最先進(jìn)的開源QwQ-32B-Preview(Qwen, 2024a),而蒸餾的32B和70B模型在密集模型的推理基準(zhǔn)測試中創(chuàng)下了新紀(jì)錄稠茂。
1.1 貢獻(xiàn)
后訓(xùn)練:在基礎(chǔ)模型上進(jìn)行大規(guī)模強(qiáng)化學(xué)習(xí)
純強(qiáng)化學(xué)習(xí)的突破:我們直接在基礎(chǔ)模型上應(yīng)用強(qiáng)化學(xué)習(xí)(RL)柠偶,而無需依賴監(jiān)督微調(diào)(SFT)作為初步步驟情妖。這種方法使模型能夠探索思維鏈(CoT)以解決復(fù)雜問題,從而開發(fā)出DeepSeek-R1-Zero诱担。DeepSeek-R1-Zero展示了自我驗(yàn)證毡证、反思和生成長思維鏈等能力,標(biāo)志著研究領(lǐng)域的一個重要里程碑蔫仙。值得注意的是料睛,這是首次通過純RL驗(yàn)證LLMs推理能力的研究,無需SFT摇邦。這一突破為該領(lǐng)域的未來發(fā)展鋪平了道路恤煞。
DeepSeek-R1的開發(fā)流程:我們引入了開發(fā)DeepSeek-R1的流程。該流程包含兩個RL階段施籍,旨在發(fā)現(xiàn)改進(jìn)的推理模式并與人類偏好對齊居扒,以及兩個SFT階段,作為模型推理和非推理能力的基礎(chǔ)法梯。我們相信這一流程將通過創(chuàng)建更好的模型為行業(yè)帶來益處苔货。
蒸餾(Distillation):小模型也可以強(qiáng)大
推理模式的蒸餾:我們證明了大模型的推理模式可以蒸餾到小模型中,從而在小模型上實(shí)現(xiàn)比通過RL發(fā)現(xiàn)的推理模式更好的性能立哑。開源的DeepSeek-R1及其API將為研究社區(qū)提供支持夜惭,以便未來蒸餾出更好的小模型。
蒸餾模型的優(yōu)異表現(xiàn):利用DeepSeek-R1生成的推理數(shù)據(jù)铛绰,我們對研究社區(qū)廣泛使用的多個密集模型進(jìn)行了微調(diào)诈茧。評估結(jié)果表明,蒸餾后的小型密集模型在基準(zhǔn)測試中表現(xiàn)優(yōu)異捂掰。例如敢会,DeepSeek-R1-Distill-Qwen-7B在AIME 2024上達(dá)到55.5%,超越了QwQ-32B-Preview这嚣。此外鸥昏,DeepSeek-R1-Distill-Qwen-32B在AIME 2024上得分為72.6%,在MATH-500上得分為94.3%姐帚,在LiveCodeBench上得分為57.2%吏垮。這些結(jié)果顯著優(yōu)于之前的開源模型,并與o1-mini相當(dāng)罐旗。我們開源了基于Qwen2.5和Llama3系列的1.5B膳汪、7B、8B九秀、14B遗嗽、32B和70B檢查點(diǎn)。
1.2 評估結(jié)果總結(jié)
推理任務(wù)
-
DeepSeek-R1的表現(xiàn):
- 在AIME 2024上鼓蜒,DeepSeek-R1的Pass@1得分為79.8%痹换,略高于OpenAI-o1-1217征字。
- 在MATH-500上,DeepSeek-R1取得了97.3%的優(yōu)異成績晴音,與OpenAI-o1-1217持平柔纵,并顯著優(yōu)于其他模型缔杉。
- 在代碼相關(guān)任務(wù)中锤躁,DeepSeek-R1在代碼競賽任務(wù)中表現(xiàn)出專家水平,其在Codeforces上的Elo評分為2,029或详,超過了96.3%的人類參賽者系羞。
- 在工程相關(guān)任務(wù)中,DeepSeek-R1的表現(xiàn)略優(yōu)于DeepSeek-V3霸琴,這可能對開發(fā)者在實(shí)際任務(wù)中有所幫助椒振。
知識任務(wù)
-
DeepSeek-R1的優(yōu)異表現(xiàn):
- 在MMLU、MMLU-Pro和GPQA Diamond等基準(zhǔn)測試中梧乘,DeepSeek-R1取得了顯著優(yōu)于DeepSeek-V3的成績澎迎,分別為90.8%、84.0%和71.5%选调。
- 盡管在這些基準(zhǔn)測試中略低于OpenAI-o1-1217夹供,但DeepSeek-R1超越了其他閉源模型,展示了其在教育任務(wù)中的競爭優(yōu)勢仁堪。
- 在事實(shí)基準(zhǔn)測試SimpleQA上哮洽,DeepSeek-R1優(yōu)于DeepSeek-V3,展示了其處理基于事實(shí)查詢的能力弦聂。OpenAI-o1在該基準(zhǔn)測試中也表現(xiàn)出類似的趨勢鸟辅,超越了4o。
其他任務(wù)
-
廣泛的任務(wù)表現(xiàn):DeepSeek-R1在創(chuàng)意寫作莺葫、通用問答匪凉、編輯、摘要等廣泛任務(wù)中表現(xiàn)出色捺檬。
- 在AlpacaEval 2.0上再层,其長度控制勝率為87.6%。
- 在Arena-Hard上欺冀,勝率為92.3%树绩,展示了其在處理非考試導(dǎo)向查詢方面的強(qiáng)大能力。
- 在需要長上下文理解的任務(wù)中隐轩,DeepSeek-R1表現(xiàn)尤為突出饺饭,在長上下文基準(zhǔn)測試中顯著優(yōu)于DeepSeek-V3。