#Paper Reading# DeepSeek-R1-CSDN博客

本文链接：https://blog.csdn.net/John159151/article/details/147687702

论文题目: DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
论文地址: https://arxiv.org/pdf/2501.12948
论文发表于: arXiv 2025年1月
论文所属单位: DeepSeek

论文大体内容
本文提出DeepSeek-R1模型，主要是以DeepSeek-V3[4]基座模型的基础上进行优化，提升其推理能力。本文首先提出了DeepSeek-R1-Zero模型，探索仅用RL去提升推理能力，并进而提出DeepSeek-R1，拿到很好的效果。

Motivation
之前的工作都需要较多的监督数据进行SFT，本文尝试把SFT去掉，仅使用RL，探索模型的效果。

Contribution
①本文探索了纯RL的后训练，无需SFT，为后续这领域的发展铺平了道路。
②对大模型进行蒸馏，会比小模型进行RL拿到更好的效果。

1. DeepSeek-R1-Zero：对基座模型仅进行RL，来提升它的效果。
①RL算法采用了GRPO（Group Relative Policy Optimization）[1]，这个算法在DeepSeek-Math[2]中首次提出。

②采用rule based的reward model，包括准确性奖励（评估是否回答正确）和格式奖励（思考过程位于<think>和</think>标签之间）。

2. DeepSeek-R1-Zero的效果：效果对标OpenAI-o1。从训练的演进可以看到效果在不断提升。

3. 观察DeepSeek-R1-Zero的「自我进化」过程，可以看到随着不断训练，它的输出长度会不断增加。这个代码模型的泛化、推理能力在不断增强。

4. DeepSeek-R1-Zero的Aha Moment，出现了拟人化语气的自我反思。

5. DeepSeek-R1-Zero的优缺点：
①优点：推理能力强，且通过RL自己探索出来了。
②缺点：可读性差、语言混合。

6. 为了解决DeepSeek-R1-Zero的缺点问题，本文提出了DeepSeek-R1。
①Cold Start：收集CoT的几千个实例用于RL的冷启，实例的可读性通过人工review去保障。
②RL引入语言一致性奖励，计算方式是统计目标语言在CoT中的占比，这样能降低语言混合，提升可读性，但同时也对性能有一些损失。
③使用RST（Rejection Sampling and Supervised Fine-Tunin）进行微调，包括推理数据（600k）和非推理数据（200k）
④评测效果如下图。