1/30 训练步骤复刻 DeepSeek-R1-Zero,沈向洋姜大昕张祥雨等开源推理模型 RL 训练方法

1/30 训练步骤复刻 DeepSeek-R1-Zero,沈向洋姜大昕张祥雨等开源推理模型 RL 训练方法

作者: 发表时间:2026-11-21 3:31:21
防城港市第一中学app 锦州市防洪app 四平市学校简介app 阜阳市公共文化服务app 许昌市天气监控中心app 舟山市申建app 盐城市特殊家庭关爱协会app 白城市水利app 吕梁市政府信息公开指南app 永州市公共法律服务app 河源市公开信息app 贵阳市台风监控中心app 吕梁市第二中学app 徐州市同城app 延安市消防局app 漳州市未成年保护协会app 阳江市学校app 崇左市第三中学app 开封市司法管理app 济宁市妇联救助app 吉安市服务大厅app 泉州市第三高中app 兰州市公益app 日照市申建app 焦作市同城app 连江县人社管理app 兴国县台风信息app 东阿县政要信息app 山阳县养老服务app 宁都县第三高中app 甘泉县风力发电app 安化县桥梁管理app 全南县住房保障app 蕉岭县警务app 华坪县振兴乡村app 民和回族土族自治县森林消防app 西吉县第四中学app 桦川县招标信息app 双柏县同城app 岳池县森林消防app 宁晋县新闻中心app 贵南县暴雨监控中心app 东至县历史记录app 资中县农业app 阳西县残联救助app 道县不良信息举报app 昭觉县残联救助app

DeepSeek 啥都开源了,就是没有开源训练代码和数据。

现在,开源 RL 训练方法只需要用 1/30 的训练步骤就能赶上相同尺寸的 DeepSeek-R1-Zero 蒸馏 Qwen。

国内大模型六小强之一的阶跃星辰与清华联合发布 Open Reasoner Zero(ORZ),由 AI 大拿沈向洋、阶跃星辰创始人 / CEO 姜大昕、ResNet 作者张祥雨等一众大佬亲自署名。

在响应长度上,用约 17% 的训练步骤就能赶上 DeepSeek-R1-Zero 671B。

值得关注的是,团队还发现了一个重要的转折点 ——

在训练步骤约 680 步时,模型的训练奖励值、反思能力和回答长度同时出现显著提升,疑似出现了 DeepSeek-R1-Zero 论文中类似的“顿悟时刻”(aha moment)。

目前,研究训练数据、训练代码、论文、模型全都 100%开源,开源许可证用的也是宽松的 MIT Lisence。

开源 48 小时,就已速揽 700 + 星星。

以下是更多细节。

复杂的奖励函数不必要?!

通过广泛的实验,团队证明了一种极简主义的方法,带有 GAE 的原版 PPO 就可以有效地扩展 RL 训练(关键的参数设置是 GAE λ= 1,折扣因子 γ=1)。

再加上基于规则的奖励函数,足以在推理任务上同时扩大响应长度和基准性能,类似于 DeepSeek-R1-Zero 中观察到的现象。

这一结果表明复杂的奖励函数是不必要的。

另外,团队在不依赖任何基于 KL 的正则化技术的情况下实现了稳定的训练,这与 RLHF 和推理模型领域目前的认知不同,这也为进一步扩大强化学习规模提供了希望。

同时扩大数据数量和多样性对于 Open Reasoner Zero 的训练至关重要。虽然在像 MATH 这样有限的学术数据集上训练会导致性能快速达到平台期,但精心策划的大规模多样化数据集能够实现持续扩展,在训练集和测试集上都没有饱和的迹象。

在以 Qwen2.5-Base-7B 为基础模型的实验中,所有基准测试在某个时间点都会经历奖励和响应长度的突然增加,这种现象类似于涌现行为。

在整个训练过程中,Average Correct Reflection Length 始终高于 Average Response Length。一个特别值得注意的现象出现在第 680 步附近,可以观察到三个指标同时加速。

最终,Open-Reasoner-Zero 模型在 MMLU 和 MMLU_PRO 基准测试中,无需任何额外的指令调整即可超越 Qwen2.5 Instruct。

One More Thing

昨天,在阶跃星辰生态开放日上,阶跃星辰创始人兼 CEO 姜大昕就有简单提及这项研究。

只提了一嘴,是因为研究还未完全完成(Working in Progress),随时可能有新进展,感兴趣的盆友可以关注一哈。

项目地址:

  • https://github.com/Open-Reasoner-Zero/Open-Reasoner-Zero/

    本文来自微信公众号:量子位(ID:QbitAI),作者:梦晨西风

相关文章