一、写在前面

在OpenAI o1刚放出来时，它有限的技术报告里，有2个内容格外抓人眼球：

• Inference/test-time scaling
• RL

我一直是把这2者理解为两个独立的个体，在这个基础上，当时我给出了一些关于o1实现思路的猜想（https://zhuanlan.zhihu.com/p/773907223）：

我认为o1走的可能是上述framework3的路线，总结来说：

• Inference/test-time scaling：这一块的主要作用是为RL过程自动化地制造高质量数据集。包括用于format模型产生思考过程的long cot数据集，以及带preference labels的数据集。我把这一块的系统抽象为PRM + some search methods的形式。例如讨论度很高的MCTS，本质上也可理解为 fixed PRM + some search methods。
• RL：这部分应该就是openAI自己惯有的一套RL流程。
• 在这样的训练框架下，最终推理时是否要再次引入inference-time scaling模块，就是一个可选项了。只要RL过程做得充分好，那么直接用训完的policy模型就可以，完全不需要再做优化。

那么，我为什么当时会认为 inference-time scaling 和 RL 应该是2个独立的过程呢？因为在我的认知里，我认为如果没有显式的引导，模型是不具备产生long cot（乃至带反思的cot）的能力的（在模型训练初期，这个能力是指formatting模型，让它知道要产出这种格式的回答；在训练过程中再来慢慢提升这种回答的质量）这个显示引导就是指诸如sft这样的过程。所以在这个认知里，上面的2个过程就应该是独立的。

而我第一次发现这样的认知可能有问题，是在我阅读红杉对openAI的访谈中，在这个万字长文里，有一句话格外引起我的兴趣，我当时把它划了出来：

这句话的意思是：没有人为的刻意为之，模型在某种训练过程中自发出现了反思的行为。而如果这一点都是能实现的，那是否意味着没有人为的刻意为之，模型本来也具备产生long cot的能力呢？

如果是这样的话，那么o1可能除了数据工程 + 惯常的RL技巧外，整个系统要比想的简单很多。可是我的水平有限，实在不知道除了显式引导外，模型怎么可能自发产生这样的能力呢？

而直到前几天，又是蹭着热点读到了dpsk-r1的这篇技术报告，我这下才发现：原来单纯的RL就可以激发模型产出带有long cot（甚至是反思）的回复的能力！（可能在此之前已有很多研究发现了这点，是我对这一块的follow-up太少了，确实直到跟着热点读了dpsk-r1，才发现了这点）。这里单纯的RL是指：我并没有显式提供一些真正的long cot数据让模型去背去学，我只是在sys_msg里告诉模型先思考，再回答。接着通过RL一轮又一轮的训练，模型产出的responses越来越长，且在某个时刻出现了自我评估和反思的行为。这个实验探索就是dpsk-r1-zero在做的事情。

如果RL有这种能力，那么inference time scaling 和 RL 就可以不是2个独立的过程，而是在RL的过程里自发出现了inference time scaling的现象，而如果它们不再独立，那么类o1的训练架构也许就比我们想得要简单很多。

原本我只是抱着追热点的心态扫一下dpsk r1，我甚至没打算看完它的tech report。不过开头关于dpsk-r1-zero的实验结论一下吸引了我，所以把核心内容简单记录下，我会侧重训练流，略去评估。（这边的重点并不在于讨论什么路子是对的、什么是错的，只是对我来说发现一种可能）。

二、DeepSeek-R1-Zero

在dpsk r1的这篇报告里，提到了2个模型，分别是 DeepSeek-R1-Zero 和 DeepSeek-R1，总结来看：

• zero算是一个实验性质的模型，在zero上不通过任何sft的方式，仅使用RL + 规则RM，就能激发模型产出带反思的long cot。这个重要的实验发现进一步启发了r1的训练。

• r1是受到zero RL相关的实验结果启发，而新训的最终版的模型。zero所采用的RL方法（即什么样的RL能激发模型主动产出long cot，甚至是反思）将被 r1 参考。

下面简单记录下两者的训练细节。

2.1 强化学习方法

dpsk家的GRPO，不是文本关注的重点，暂略。

2.2 奖励模型-规则式RM

在训练DeepSeek-R1-Zero时，采用了基于规则的奖励系统，主要包括两种类型的奖励：

（1）准确性奖励（Accuracy Rewards）用于评估模型responses的准确性。例如数学问题的答案是否正确，代码是否通过测试用例等。

（2）格式奖励（Format Rewards）

• 作用：除了准确性奖励模型外，还需要评估模型的输出是否遵从了一定的格式要求，以此规范模型的思维过程。
• 具体要求：要求模型将其思维过程放在‘’和‘’标签之间。这种格式化有助于明确模型的推理步骤。

（3）为什么不使用神经网络式的RM？

• Reward Hacking
• 训练资源与复杂性

2.3 RL数据的prompt设计

为了训练DeepSeek-R1-Zero，我们首先设计了一个简单的模板，指导基础模型遵循我们指定的指令：

• 从中可以看出，这个模版就是sys_msg + question，整体作为prompt
• 这里不是说用sft，而是说直接用这个prompt喂给base模型（就是actor），同时由于RM是规则式的，不需要用数据训练了，所以接下来就可以正常走rlhf过程了。

模版如下：

2.4 关于zero的重要结论

和别的模型的性能比较这里略去，简单介绍一下对于R1 zero性能重要的几个结论：

• r1 zero证明了无需sft，直接用base model做RL，已经可以取得强大的reasoning能力。

• 使用多数投票策略（例如对一条prompt采样多次，取出现次数最多的那个答案）可以进一步增强模型性能。

• 随着训练steps的增加，r1 zero倾向于产出更长的response（long cot），并且还出现了反思行为。这些都是在没有外部干预的情况下，r1 zero模型在训练中自我进化的结果。

• response的长度随着训练时间增加而变长（思考得更多了）

• r1 zero自然而然学会了重新评估和反思

2.5 zero的缺陷

• 可读性差
• 多种语言混合

所以接下来探索deepseek r1，这是独立于r1 zero的正式训练流程了。可以说，r1 zero的训练是一个探索性的过程，它验证了RL本身对于激励模型产生推理的能力。在这个探索结论上，开始正式进入r1的训练。

三、DeepSeek-R1

r1的训练总体训练过程如下：

• 从base模型开始：
• 使用量少、质量高的冷启动数据(cold data)来sft base模型，使得base模型可以有个良好的初始化
• 使用RL提升模型的推理能力
• 在RL阶段接近收敛时，用这个时候的checkpoint生成高质量的数据，将它们与现有的sft数据混合，创建新的sft数据集
• 再次从base模型开始：
• 使用新创建的sft数据集做finetune
• 执行二阶段RL
• 得到最终的r1

3.1 使用冷启动数据做sft

• 冷启动数据收集的方法如下（共收集约千条）：
• few_shot：用带有long cot的例子作为few_shot，引导模型生成回答（引导的是base模型）
• 直接在prompt中，要求模型生成带有反思和验证的回答（引导的也是base模型）
• 收集前面对r1 zero的部分结果
• 使用人工对数据做一些后处理
• 最后，我们要求冷启动数据遵从一定的数据格式：

|special_token||special_token|

• 使用这千条冷启动数据，对base模型进行sft。

3.2 冷启动sft后的RL

• RM衡量的内容有2方面（看样子也是规则式的）：
• 语言混合问题：这里RM在打分时，也要对语言一致性进行打分（计算目标语言词汇的比例）
• 答案的准确性
• 然后继续做类似于r1 zero的RL过程

3.3 创建新的sft数据集

这里新的sft数据集来自两个方面，一共约80w条。

1. 当前正在训练的模型产出的结果（reasoning data）

• 取RL接近收敛时的checkpoint
• 构造prompt模版，使用拒绝采样的方式来筛选轨迹数据。在判断一条轨迹是否应该保留时，除了使用之前规则式的RM，还会引入deepseek v3作判断（比如这条轨迹所指向的答案和v3的结果是否一致）。引入多个判断标准的目的是为了更好扩展数据集，保证多样性（这是我猜的）
• 最后在做一些过滤，这部分收集约60w条新sft数据集

2. 不是当前正在训练的模型产出的结果(no reasoning data)

• 已经有的高质量sft数据集(dpsk v3做sft的数据集)
• 通过prompt引导deepseek v3产出的有cot的数据集等
• 这部分大约收集了20w

3.4 使用新的sft数据集继续finetune，并做RL

• 再次回到base模型上，首先用这80w的新数据对它做2个epoch的sft。

• 接着执行2个阶段的RL：

• 第1阶段RL：旨在增强模型推理方面的能力。采取类似r1 zero的RL方法，使用基于规则的RM，对模型进行RL训练，以提升模型在数学、代码和逻辑方面的推理能力。（这里用的数据集应该不是那80w，是类似于zero直接构建prompt）

• 第2阶段RL：旨在针对模型的helpfulness和 harmlessness，类似于dpsk v3的训练pipeline

3.5 为什么还有sft的过程

当你观察上面对r1的两个阶段训练时，你会发现它们依然用到了sft，表现在：

• 在第1阶段，使用千条冷启动数据做sft，这千条冷启动数据都是带有long cot的reasoning data
• 在第2阶段，使用约80w条新的数据做sft，这里有60w reasoning data和20w general data。

那么你看可能会有这样的疑问：如果还用sft，那前面zero的实验是不是白做了？ 既然得到了RL本身就有激发模型做long cot和反思的能力，那要sft干嘛？这岂不是和开头所说的RL中实现inference time scaling有矛盾吗？

这里谈一下我的理解：

• 首先，总体来看，sft的作用是为了让模型拥有一个好的训练起点。
• 具体来说，在冷启动阶段，你只是用了千条数据做sft而已；在第2阶段，虽然使用了80w这一较多数量的数据，但这波数据的使用是一次性的，你不需要让这个过程贯穿在RL on-policy训练的每个step。而且相比于设计一个复杂独立的inference系统，它的生成是容易的。这里做的事情不过是让模型拥有强壮的训练起点。
• 而在拥有这个起点之后，更强的推理和反思能力，则是靠RL来做，这正是受到zero的启发。

四、蒸馏dense模型

使用以上80w数据，对llama和qwen系的部分dense模型做sft，然后检测这些模型的推理能力。

结论：对于小模型，不需要依然RL，只用蒸馏就可以使得其推理能力得到显著提升（对于大模型会是怎么样的，这里没有提）