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

抚顺市公共法律服务app 武汉市第五高中app 巴中市税务局app 临沂市消防宣传app 宿州市学校简介app 鄂州市特殊家庭关爱协会app 宜春市第一小学app 承德市粮食管理app 忻州市第一中学app 郑州市公路管理app 阜阳市学校app 湖州市便民app 三门峡市第二小学app 威海市土地申报app 钦州市第五中学app 萍乡市第四高中app 克拉玛依市财政信息app 双鸭山市暴雨监控中心app 眉山市民政管理app 宿州市人社管理app 廊坊市消防宣传app 贵阳市政务服务app 台州市服务大厅app 梅州市第三中学app 济南市不良信息举报app 南昌市第三高中app 壤塘县数据管理局app 泸定县劳动局app 东源县街道办app 忻城县教育信息app 工布江达县暴雨监控中心app 合江县第六中学app 沁源县长子县公开信息app 玛多县信息公开app 睢宁县政府公报app 循化撒拉族自治县司法管理app 夏河县事业单位app 永昌县第五小学app 元江哈尼族彝族傣族自治县历史记录app 仲巴县教研app 拜城县第五小学app 昌黎县第四高中app 关岭布依族苗族自治县同城app 舟曲县妇联app 大箐山县消防局app 康县未成年保护协会app 蒲县残联救助app 孟村回族自治县事业单位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