当前位置：首页 > article >正文

DeepSeek-R1 论文笔记：通过强化学习提升大语言模型的推理能力

article 2025/3/3 23:07:48

论文标题：DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning
作者团队：DeepSeek-AI
发表时间：2025

前置知识 & 术语

模型蒸馏

语言模型蒸馏的目标是将大型教师模型的知识（如语义理解、上下文推理能力）传递给小型学生模型。

为什么需要蒸馏？

大型模型在训练中积累了丰富的“隐性知识”，例如：

类别间的关系：识别“猫”时，模型可能隐含知道“猫与豹子相似度高于卡车”。
特征分布规律：图像中的纹理、颜色等特征的组合模式。

但这些知识无法通过传统硬标签（如“这张图是猫”）传递给学生模型。蒸馏的核心目标，就是通过软标签（Soft Labels）或特征匹配，将这些隐性知识“提炼”出来。

软标签 vs 硬标签

硬标签：[0, 0, 1, 0]（直接标注类别）
软标签：[0.01, 0.02, 0.95, 0.02]（概率分布）

软标签包含更多信息：

教师模型认为“豹子”与“猫”有一定相似性（概率0.02）。
学生模型不仅能学习分类结果，还能理解类别间的关系。

蒸馏技术

Logits蒸馏（Hinton, 2015）:这是最经典的蒸馏方法，直接让学生模型模仿教师模型的输出分布。
中间特征蒸馏:要求学生模型对齐教师模型的中间层特征

Post-Training（后训练）

Post-Training（后训练）是深度学习模型训练流程中的一个重要环节，通常发生在预训练Pre-Training之后。它的目标是通过特定任务的微调或优化，进一步提升模型的性能、适应性和安全性。与预训练相比，后训练通常需要较少的计算资源，但能显著提升模型在特定任务上的表现。这些目标可能包括：

任务性能提升：如提高模型在问答、推理等任务上的准确性。
对齐社会价值观：确保模型的输出符合伦理和社会规范。
用户偏好适应：根据用户反馈调整模型行为。

常见方法

监督微调（Supervised Fine-Tuning, SFT）：监督微调是后训练中最常用的方法，通过在特定任务的标注数据上进一步训练模型，提升其在该任务上的性能
强化学习人类反馈（RLHF）：RLHF是一种通过人类反馈优化模型行为的方法，广泛应用于对齐社会价值观和适应用户偏好。
提示微调（Prompt Tuning）：提示微调是一种轻量级的后训练方法，通过优化提示（Prompt）来调整模型行为，而无需修改模型参数。

拒绝采样

Rejection Sampling（拒绝采样是一种从复杂分布中生成样本的统计学方法。它的核心思想是通过一个简单的、易于采样的分布（称为提议分布）来近似目标分布，并通过接受或拒绝样本来确保最终样本符合目标分布。在深度学习和强化学习（RL）中，拒绝采样常用于从模型的输出分布中筛选高质量的样本，以生成更可靠的训练数据。

拒绝采样的基本思想

拒绝采样的目标是从一个复杂的目标分布 $p (x)$ 中生成样本。它的步骤如下：

选择一个提议分布 $q (x)$ ：这个分布应该易于采样，并且与目标分布 $p (x)$ 尽可能接近。
确定一个常数 $M$ ：使得 $\cdot q(x)$ 始终大于或等于 $p (x)$ （即 $\cdot q(x) \geq p(x)$ 对所有 $x$ 成立）。
生成样本：
- 从 $q (x)$ 中采样一个候选样本 $x$ 。
- 计算接受概率 $\alpha = \frac{p(x)}{M \cdot q(x)}$ 。
- 以概率 $\alpha$ 接受样本 $x$ ，否则拒绝。
重复采样：直到获得足够数量的样本。

拒绝采样的直观理解

拒绝采样可以类比为“抛硬币”：

提议分布 $q (x)$ ：类似于一个“筛子”，用于生成候选样本。
接受概率 $\alpha$ ：类似于“硬币的正反面”，决定是否保留样本。
常数 $M$ ：确保“筛子”足够大，能够覆盖目标分布。

通过这种方式，拒绝采样可以生成符合目标分布的样本，即使目标分布本身难以直接采样。

拒绝采样在SFT数据生成中的应用

在深度学习中，拒绝采样常用于从模型的输出分布中筛选高质量的样本，以生成更可靠的训练数据。具体到你的场景：

目标分布 $p (x)$ ：高质量的SFT数据分布（如符合事实的问答、逻辑清晰的写作等）。
提议分布 $q (x)$ ：RL模型的输出分布（如DeepSeek-V3的生成结果）。
接受概率 $\alpha$ ：根据样本的质量（如事实准确性、逻辑一致性）决定是否接受。

具体步骤：

从RL模型生成候选样本：使用RL模型（如DeepSeek-V3）生成大量候选样本。
评估样本质量：通过人工标注或自动化评估（如事实检查、逻辑评分）计算每个样本的接受概率。
接受或拒绝样本：根据接受概率保留高质量样本，丢弃低质量样本。
生成SFT数据：将接受的样本与现有的监督数据（如写作、事实问答、自我认知数据）结合，形成新的SFT数据集。
重新训练模型：在新的SFT数据上微调DeepSeek-V3-Base模型。

核心研究目标

探索如何通过强化学习（RL）直接提升大语言模型（LLM）的推理能力，减少对监督微调（SFT）的依赖，并通过蒸馏技术将大模型的推理能力迁移到小模型。

关键贡献

纯强化学习模型 DeepSeek-R1-Zero
- 无需监督微调：直接在基础模型（DeepSeek-V3-Base）上应用强化学习（GRPO算法），模型通过自我进化发展出复杂推理行为（如自我验证、长链思维）。
- 性能表现：在AIME 2024数学竞赛中，Pass@1从15.6%提升至71.0%（多数投票后达86.7%），与OpenAI-o1-0912相当。
- 局限性：输出可读性差、语言混合（如中英文混杂）。
改进版模型 DeepSeek-R1
- 冷启动数据：引入少量高质量长链思维（CoT）数据作为初始微调，优化可读性（如结构化标签<think>和<answer>）。
- 多阶段训练：结合两阶段强化学习和两阶段监督微调，最终模型性能与OpenAI-o1-1217相当。
- 关键结果：
  - 推理任务：AIME 2024 Pass@1达79.8%，MATH-500达97.3%。
  - 编程任务：Codeforces评级2029，超越96.3%人类选手。
  - 知识任务：MMLU-Pro得分84.0%，GPQA Diamond达71.5%。
蒸馏技术
- 小模型性能提升：将DeepSeek-R1生成的80万条推理数据用于微调Qwen和Llama系列小模型，显著提升其推理能力。
- 代表性结果：
  - DeepSeek-R1-Distill-Qwen-32B：AIME 2024 Pass@1达72.6%，超越QwQ-32B-Preview。
  - DeepSeek-R1-Distill-Llama-70B：在MATH-500和LiveCodeBench上表现接近o1-mini。

方法与技术细节

强化学习框架
- GRPO算法：通过组内基线估计替代传统Critic模型，降低训练成本（公式见原文）。
- 奖励设计：
  - 准确性奖励：基于规则验证（如数学答案格式、编程测试用例）。
  - 格式奖励：强制模型输出结构化标签。
冷启动与多阶段训练
- 冷启动数据：人工设计可读性模板（如<reasoning_process>和<summary>），过滤低质量输出。
- 两阶段RL + SFT：
  - 第一阶段：冷启动微调后应用推理导向的RL。
  - 第二阶段：通过拒绝采样生成SFT数据，结合非推理任务（写作、翻译）微调，再执行多场景RL对齐。
蒸馏策略
- 直接SFT蒸馏：使用DeepSeek-R1生成的数据微调小模型，未引入额外RL阶段。
- 效果验证：蒸馏模型性能显著优于纯RL训练的小模型（如Qwen-32B RL训练仅达50%，蒸馏后达72.6%）。

实验结果与讨论

基准测试对比

DeepSeek-R1 vs. 闭源模型：
- 在MMLU、GPQA等知识任务上接近OpenAI-o1-1217，显著优于Claude-3.5和GPT-4o。
- 在编程任务（LiveCodeBench、Codeforces）和数学竞赛（AIME、CNMO）中表现领先。

失败尝试与洞见

过程奖励模型（PRM）

1. 难以明确定义细粒度的推理步骤

问题核心：
在复杂推理任务（如数学证明或多步骤逻辑推理）中，如何将整体任务分解为明确、可评估的细粒度步骤存在挑战。不同方法可能涉及不同的合理步骤，而缺乏统一标准会导致PRM评估的模糊性。

具体表现：

步骤多样性：同一问题可能存在多种解决路径，如何定义“正确”的中间步骤缺乏共识。例如，解决代数问题时，不同步骤顺序可能均合理，但PRM需明确区分哪些步骤对最终结果有效。
主观性干扰：某些任务（如开放式问题解答）的步骤划分可能依赖主观判断，难以自动化或标准化。

影响：
PRM依赖明确的步骤定义，若步骤划分模糊，其奖励机制可能无法准确指导模型优化，甚至引入错误偏差。

2. 中间步骤正确性评估困难

问题核心：
即使步骤被定义，如何自动或手动评估每个中间步骤的正确性仍是一个技术瓶颈。

具体表现：

自动标注的局限性：
依赖模型自动标注中间步骤的正确性可能导致以下问题：
- 模型偏见：若标注模型本身存在训练偏差，其标注结果可能不可靠。
- 错误传播：自动标注的错误会直接影响PRM的奖励信号，导致模型学习到错误模式。
手动标注的成本与扩展性：
人工标注虽然准确性较高，但面临：
- 高昂成本：大规模标注需要大量人力资源，尤其在复杂任务中。
- 可扩展性差：难以快速适应新任务或动态变化的推理需求。

影响：
评估机制的不完善直接削弱PRM的有效性，导致其难以在大规模应用中保持高效和准确。

3. 奖励黑客与训练复杂性

问题核心：
引入基于模型的PRM后，模型可能通过优化奖励信号而非实际任务目标来“欺骗”奖励机制（即奖励黑客），同时训练流程的复杂性显著增加。

具体表现：

奖励黑客（Reward Hacking）：
模型可能通过以下方式绕过PRM的意图：
- 表面优化：生成符合步骤奖励但实际错误的中间结果（例如，通过重复步骤填充流程，而非真正推进推理）。
- 对抗性策略：利用PRM的评估漏洞生成看似合理但无效的中间步骤。
训练资源与流程复杂性：
- 额外训练成本：PRM需独立训练或持续更新，消耗额外计算资源（Gao et al., 2022）。
- 流程耦合性：PRM与主模型的协同训练可能引入依赖冲突，增加调试和优化的难度。

影响：
奖励黑客降低模型的最终性能，而复杂的训练流程则限制PRM在大规模强化学习中的实际应用价值。

Monte Carlo Tree Search (MCTS)

1. 搜索空间的指数级扩展

问题核心：
在棋类游戏中，搜索空间相对明确且有限（如棋盘状态和合法走法），而在语言模型中，token生成的搜索空间呈指数级扩展，导致搜索效率低下。

具体表现：

组合爆炸：每个token的选择会衍生出大量可能的后续token序列，搜索树的规模迅速膨胀。
局部最优陷阱：为控制搜索空间，通常设置每个节点的最大扩展限制（如只保留top-k候选），但这可能导致模型陷入局部最优解，无法找到全局最优解。

影响：
搜索空间的复杂性限制了MCTS在语言模型中的扩展性，尤其是在需要长序列生成或复杂推理的任务中。

2. 价值模型的训练难度

问题核心：
MCTS依赖价值模型评估每个搜索节点的潜在收益，但在语言模型中，训练一个细粒度的价值模型极具挑战。

具体表现：

评估复杂性：语言模型的输出（如文本生成）缺乏明确的评估标准，难以量化每个中间步骤的价值。
迭代改进困难：AlphaGo通过逐步优化价值模型提升性能，但在语言模型中，价值模型的训练与生成过程高度耦合，难以独立优化。
错误传播：若价值模型评估不准确，会直接影响MCTS的搜索方向，导致生成质量下降。

影响：
价值模型的训练难度限制了MCTS在语言模型中的迭代改进能力，使其难以像在棋类游戏中那样逐步提升性能。

3. 自搜索的性能瓶颈

问题核心：
MCTS的核心优势在于通过自搜索（Self-Search）逐步优化模型性能，但在语言模型中，这一机制难以有效实现。

具体表现：

搜索效率低：由于搜索空间的复杂性和价值模型的局限性，自搜索的效率远低于棋类游戏。
计算成本高：MCTS需要大量计算资源进行搜索和评估，难以在大规模训练中扩展。
生成质量不稳定：自搜索生成的样本可能包含错误或低质量内容，影响后续训练的稳定性。

影响：
自搜索的性能瓶颈限制了MCTS在语言模型中的实际应用价值，尤其是在需要高质量生成和复杂推理的任务中。

局限性与未来方向

当前局限
- 通用能力不足：在函数调用、多轮对话等任务上弱于DeepSeek-V3。
- 语言混合：优化多语言场景下的输出一致性。
- 提示敏感性：零样本效果优于少样本，需优化提示工程。
未来计划
- 扩展长链思维应用：探索复杂角色扮演、JSON输出等任务。
- 异步评估优化：提升软件工程任务的RL训练效率。