Deepseek R1 Zero成功复现, 三阶段RL，Response长度涨幅超50%，涌现语言混杂，double-check

知乎 ：涮月亮的谪仙人（已授权）
链接 ：https://zhuanlan.zhihu.com/p/21290410831
编辑 ：「深度学习自然语言处理」公众号

项目代码可见： Unakar/Logic-RL (https://github.com/Unakar/Logic-RL)，欢迎关注和star!
我们将开源完整的wandb曲线和训练日志， wandb report (https://wandb.ai/ustc_ai/GRPO_logic_KK/reports/GRPO-Zero--VmlldzoxMTIwOTYyNw?accessToken=gnbnl5mu5pwfww7gtwxymohg85w7d7vthvjvbl4w8yxg0a99vf1k22m11e61cvv8)

在大四的最后一个寒假，和@AdusTinexl @ShadeCloak 两个小伙伴捣鼓出了点有意思的东西，非常开心，欢迎各位合作，指导！

先展示一下结果：

基座模型Qwen 7B在测试集上只会基础的step by step逻辑。
无 Long CoT冷启动蒸馏，三阶段Rule Based RL后 （约400steps），模型学会了

• 迟疑 (标记当前不确定的step等后续验证)，
• 多路径探索 (Les't test both possibilities),
• 回溯之前的分析 (Analyze .. statement again)，
• 阶段性总结 （Let's summarize, Now we have determined），
• Answer前习惯于最后一次验证答案(Let's verify all statements),
• Think时偶尔切换多语言作答 （训练数据纯英文的情况下，思考部分是中文，最后answer又切回英文）

测试集上性能也一举超越了gpt4o 的0.3，达到了 0.41的准确率，相比自身初始0.2 acc翻了一倍

非常漂亮的回复

demo1:迟疑，回溯，总结，verify。训练后期模型总是倾向于在最后输出answer前，优先全部verify一遍。这些能力是RL训练涌现的，未加任何引导

偶尔的多语言现象

demo2: 多语言的例子，思考忽然说中文，最后为了格式奖励用英文做最终回答，回复是对的

demo3：训练前模型原本的输出作为参考, 笨笨的也很可爱，看得出来是一点verify之类的基本思考单元也没有

Response长度增长

Demo 4, Settings: prompt mean 276 tokens, origin response mean 400 tokens 据我所知，这是第一个稳定实现输出长度大幅超越原始模型平均长度的 （数据集prompt长度全部小于300 tokens，相比于基座模型原本输出的平均长度 400 tokens， 训练后期平均长度稳定在650 tokens，约50%的涨幅）

Reward曲线

我们设置了严苛的format reward和Answer Reward。
Reward只有这两部分构成，避免任何reward hacking。
我们编写了不少if else逻辑和正则。刚开始模型总能以匪夷所思的方式绕过我的预想，在和它一次次的斗智斗勇里完善了rule的编写
我们发现模型在学习format的时候，其实是一个 快速收敛--逐渐崩坏--又忽然找回format 的形式,与我们三阶段RL训练设置吻合。
还有一个有趣的小发现， 在中间阶段，模型似乎认为格式反而阻碍了它的思考 ：日志里看到不少例子，模型在 tag开始后意识到自己犯错了，想重回 进入思考模式，可惜被format reward狠狠惩罚了

Demo 5, 依次是平均reward, 全对的比例，格式错误比例，答案做错的比例

基本Settings

训练数据合成

其实只有2K不到的训练数据集， 完全由程序合成，确保对基座模型是OOD数据 。
其中逻辑问题类似老实人和骗子的益智题，老实人总说真话，骗子总说假话，下面N个人，各有各的表述，请判断谁是骗子。我们以此为例讲解实验细节。
可控性也不错，可以人为设置难度分级。测试下来gpt4o的acc在0.3左右，而3epoch的RL训练后，我们成功让qwen-7B达到了0.41。
gpt4o和claude sonnet在这种逻辑题上的准确率出乎意料的低。我们选了一个合适的人数来控制难度，确保它高于qwen 7B当前的能力，但又不会过难(在8个人的情况下，qwen完全不能作答，RL训练曲线也堪比蜗牛爬。我们最后选取了5人作为基线)

模型基座选取

我们注意到deepseek官方开了一系列distill模型，测试下来感觉有点矫枉过正了，小参数量承载了超越其自身的推理能力。回复里的wait, alternatively这种字眼频率过高。
Deepseek distill系列选了qwen-math-7B作为基座。我们本来也是这个，后来发现这个模型有坑:

1. 首先它指令跟随能力比较一般，很难学会format；
2. 其次，它说话老爱用python code解题，训练很难克服
3. 移除system prompt后，还是习惯用\box{}包裹answer，还是format不行
4. Markdown味道太重，一板一眼的，Reasoning模型本应思想跳脱一些才是

我们训了几版RL，效果始终不好，最后决定放弃Qwen Math系列，Qwen 7B 1M就好

RL基本设置

我们初始还是PPO，训练确实稳定，就是太慢了。Reinforce系列测试下来又快又好，显存还低，强烈推荐。
为了和deepseek对齐，我这里放出的所有结果都是GRPO Setting下的。
由于我只有四卡A100，跑实验相当费劲，坐等来个大佬资助我跑实验 ()
Train batch size只有8，Rollout先大后小 (32-64-16)

三阶段RL

我的经验是：高温采样+超大rollout Matters

Step1: 课程学习与格式遵循

为了训练的平稳过渡，我们先用少量3人逻辑题做预热，使用默认采样设置。
此阶段主要是学 的格式，只要不遵守该规则，我们就施加很大的负面奖励。模型在10step训练里很快就能学会把format error降到0.1的占比
伪变长 ：此阶段观察到极少量的response length ++，主要提升的是最短response的长度，max response长度基本没变，是反馈到mean length上是一个变长的过程。
以及此阶段确实验证了 Pure Rule Based RL有效性，Val acc一直在涨，不过不如SFT来收益来的快

Step2：高温采样与大量rollout

数据集过渡到正式的5人谜题，此阶段训练持续最长。也是最容易崩溃的时候。
我训了14版超参，都是崩坏的，泪目，下面讲讲一些好玩的崩坏demo。
尝试将采样温度设置为1.2附近。(实测1.5会崩，1.5什么鸟语言都蹦出来了)。topp和topk也调了一下， 主要目的是紊乱模型回复格式，破坏其markdown的输出风格，增加token多样性 。
下图是截取的模型一个很有意思的repeat现象，可以看得出来，RL极大地增加了verify token被chosen的概率，这纯粹是自发形成的。数据集没有任何verify相关的思考token。

1. 模型的呓语：它想verify, 要precise, 注意consistent执念很深

2. Retrying too late，但没有后悔药可以吃

模型已经到达最后需要输出结果的answer阶段了，忽然意识到自己前面犯了错，想重回think模式，但是retry太晚了，这样的行为会被给予严厉的负format惩罚