DeepSeek R1 AI 論文翻譯

摘要

原文地址:

DeepSeek R1 AI 論文翻譯

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。
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末职车,一起剝皮案震驚了整個濱河市瘫俊,隨后出現(xiàn)的幾起案子鹊杖,更是在濱河造成了極大的恐慌,老刑警劉巖扛芽,帶你破解...
    沈念sama閱讀 222,865評論 6 518
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件骂蓖,死亡現(xiàn)場離奇詭異,居然都是意外死亡川尖,警方通過查閱死者的電腦和手機(jī)登下,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,296評論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來叮喳,“玉大人被芳,你說我怎么就攤上這事♀晌颍” “怎么了畔濒?”我有些...
    開封第一講書人閱讀 169,631評論 0 364
  • 文/不壞的土叔 我叫張陵,是天一觀的道長锣咒。 經(jīng)常有香客問我侵状,道長,這世上最難降的妖魔是什么毅整? 我笑而不...
    開封第一講書人閱讀 60,199評論 1 300
  • 正文 為了忘掉前任趣兄,我火速辦了婚禮,結(jié)果婚禮上毛嫉,老公的妹妹穿的比我還像新娘诽俯。我一直安慰自己,他們只是感情好承粤,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,196評論 6 398
  • 文/花漫 我一把揭開白布暴区。 她就那樣靜靜地躺著,像睡著了一般辛臊。 火紅的嫁衣襯著肌膚如雪仙粱。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 52,793評論 1 314
  • 那天彻舰,我揣著相機(jī)與錄音伐割,去河邊找鬼。 笑死刃唤,一個胖子當(dāng)著我的面吹牛隔心,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播尚胞,決...
    沈念sama閱讀 41,221評論 3 423
  • 文/蒼蘭香墨 我猛地睜開眼硬霍,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了笼裳?” 一聲冷哼從身側(cè)響起唯卖,我...
    開封第一講書人閱讀 40,174評論 0 277
  • 序言:老撾萬榮一對情侶失蹤粱玲,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后拜轨,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體抽减,經(jīng)...
    沈念sama閱讀 46,699評論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,770評論 3 343
  • 正文 我和宋清朗相戀三年橄碾,在試婚紗的時候發(fā)現(xiàn)自己被綠了卵沉。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,918評論 1 353
  • 序言:一個原本活蹦亂跳的男人離奇死亡堪嫂,死狀恐怖偎箫,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情皆串,我是刑警寧澤,帶...
    沈念sama閱讀 36,573評論 5 351
  • 正文 年R本政府宣布眉枕,位于F島的核電站恶复,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏速挑。R本人自食惡果不足惜谤牡,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,255評論 3 336
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望姥宝。 院中可真熱鬧翅萤,春花似錦、人聲如沸腊满。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,749評論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽碳蛋。三九已至胚泌,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間肃弟,已是汗流浹背玷室。 一陣腳步聲響...
    開封第一講書人閱讀 33,862評論 1 274
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留笤受,地道東北人穷缤。 一個月前我還...
    沈念sama閱讀 49,364評論 3 379
  • 正文 我出身青樓,卻偏偏與公主長得像箩兽,于是被迫代替她去往敵國和親津肛。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,926評論 2 361

推薦閱讀更多精彩內(nèi)容