Kimi发布最新模型k1.5，技术报告也干货满满

本文链接：https://blog.csdn.net/Code1994/article/details/145287259

Kimi发布了最新模型k1.5，先来看榜单效果，简直爆炸。

在长推理上，k1.5在数学能力上，无论是纯文本还是视觉多模态上，都远超openai的o1模型；在codeforces与其持平，LiveCode上略差，但相比于QVQ和QWQ有较大的优势。

在短推理上，k1.5的数学能力真实遥遥领先，无论是gpt-4o还是claude3.5-sonnet都远不如k1.5，尤其是在AIME榜单上，k1.5有60.8，而最高的deepseek-v3只有39.2，堪称断层式碾压。 这个应该得益于他们的Long2short RL技术（后面介绍）；并且k1.5在其他场景中大多都跟顶尖的开源和闭源模型打成平手。有一说一，这次kimi的新模型有点东西的哈。

最重要的是kimi发了技术报告《Kimi k1.5: Scaling Reinforcement Learning with Large Language Models》，看了一下，25页，干货满满，他家针对强化学习，真的是做了好多工作，无论是data、strategy、还是Infra。

Paper link: https://github.com/MoonshotAI/Kimi-k1.5/blob/main/Kimi_k1.5.pdf

先简单看了一下，让我印象最深刻的就是RL数据收集部分、Long2short 部分、以及Infra 的Hybrid Deployment Framework部分。

Long2short部分，这个应该k1.5模型可以在短推理上取得超优效果的核心。自从o1出来之后，我们都知道，增加test time可以提高模型的推理效果，大大提高模型智能，这也是为什么o1出来后，又带起一波LLM新浪潮的原因。

但long-cot虽然优秀，但在推理阶段需要消耗大量的token预算，以及时间，那么是不是可以将long-cot模型的推理先验知识转移到short-cot模型中呢？k1.5尝试了多种方法：

模型合并：之前都是通过模型合并来提高模型的泛化性，k1.5发现long-cot模型和short-cot模型也可以合并，从而提高输出效率，中和输出内容，并且无需训练。
最短拒绝采样：对于模型输出结果进行n次采样（实验中n=8），选择最短的正确结果进行模型微调。
DPO：与最短拒绝采样类似，利用long-cot模型生成多个输出结果，将最短的正确输出作为正样本，而较长的响应（包括：错误的长输出、比所选正样本长 1.5 倍的正确长输出）作为负样本，通过构造的正负样本进行DPO偏好学习。
Long2Short的强化学习：在标准的强化学习训练阶段之后，选择一个在性能和输出效率之间达到最佳平衡的模型作为基础模型，并进行单独的long-cot到short-cot的强化学习训练阶段。在这一阶段，采用长度惩罚，进一步惩罚超出期望长度，但保证模型仍然可能正确的输出答案。

Long2short效果如下所示，在提高输出效率的同时，大幅度提高模型效果。

RL数据收集部分，我觉得kimi真的说到的了我的心趴上。毕竟在做LLM之后，我很长一段时间都在做数据相关的工作。而RL阶段依然也不例外，强化学习阶段数据的质量和多样性，不仅能够引导模型进行稳健的推理，还能减少 reward hacking 和overfitting的风险。

高质量的RL提示数据的三要素：

覆盖范围-广：提示数据应涵盖广泛的学科领域，如科学、技术、工程和数学（STEM）、代码和一般推理，增强模型在不同领域的普适性。这里k1.5开发了一个标签系统，对提示按照领域和学科进行分类，确保不同学科领域的数据平衡。
难度分布-均：提示数据应包含易、中、难不同难度级别的问题，让模型逐步学习，防止模型过拟合到一些特定复杂的问题上。这里k1.5通过模型自身的推理能力，来评估每个prompt的难度，就是对相同的prompt利用相对较高温度生成10次答案，然后计算答案的通过率，通过率越低，代表prompt难度越高。
可评估性-准：提示数据应允许验证器进行客观且可靠的评估，确保模型结果是基于正确的推理过程，而不是简单模式或随机猜测。这里k1.5利用没有任何链式推理步骤的情况下预测可能的答案，如果在N次尝试内，均预测正确答案，认为该prompt容易产生reward hacking。

在k1.5的报告中，写了大段infra的内容，看完之后受益匪浅，因为我本身不是做infra的，所以对infra的很多细节，之前并不是很了解，看完k1.5的内容之后，真的学到很多。

其中，Hybrid Deployment Framework部分，有一些工程上的东西的。RL阶段主要有以下几个阶段：

训练阶段：Megatron（Shoeybi et al. 2020）和 vLLM（Kwon et al. 2023）分别在独立的容器中运行，这些容器被一个名为**检查点引擎（checkpoint-engine）**的外壳进程封装（详见第 2.6.3 节）。Megatron 首先启动训练过程。训练完成后，Megatron 会释放 GPU 内存，并准备将当前权重传递给 vLLM。
训练阶段：Megatron和 vLLM分别在独立的容器中运行，容器称为checkpoint-engine的外壳进程封装。Megatron 首先启动训练过程，训练完成后，Megatron 会释放 GPU 内存，并准备将当前权重传递给 vLLM。
推理阶段：在 Megatron 释放内存后，vLLM 以虚拟模型权重启动，并通过 Mooncake 从 Megatron 接收最新的权重更新。完成回放后，checkpoint-engine会停止所有 vLLM 进程。
后续训练阶段：释放 vLLM 所占用的内存后，Megatron 重新加载内存并开始下一轮训练。

而现有框架很难同时满足以下所有特性：

复杂的并行策略：Megatron 和 vLLM 可能采用不同的并行策略。Megatron 中分布在多个节点上的训练权重很难与 vLLM 共享。
最小化闲置 GPU 资源：对于在线策略强化学习，SGLang和 vLLM可能会在训练过程中保留一些 GPU，导致训练 GPU 的闲置。如何共享相同的设备，将训练变得更加高效。
动态扩展能力：通过增加推理节点的数量，同时保持训练过程不变，可以显著加速训练。如何高效利用闲置的 GPU 节点。

如图下图所示，k1.5在Megatron 和 vLLM 的基础上实现了这种混合部署框架，将训练阶段切换到推理阶段的时间缩短到不到一分钟，而从推理阶段切换到训练阶段大约只需要十秒。

我看完整个paper，是学到不少，还有一些其他的内容，后面有机会在继续给大家分享吧，期待其他infra大佬和rl大佬来解读。

最后说一下，k1.5 刚刚发布，现在正在进行灰度上线，也许你马上成为那个幸运儿，可以提前体验到k1.5的整体效果。我反正是十分期待ing。