DeepSeek R1&V3 原版论文摘要

《DeepSeek-R1：通过强化学习激励法学硕士的推理能力》

论文原文：https://arxiv.org/pdf/2501.12948

论文提要

1. 引言

• 背景：近年来，大型语言模型（LLMs）在快速迭代和进化，逐渐缩小了与通用人工智能（AGI）之间的差距。后训练（post-training）已经成为完整训练流程中的一个重要组成部分，能够提升模型在推理任务上的准确性、与社会价值观的对齐以及对用户偏好的适应性。
• 问题：尽管OpenAI的o1系列模型通过扩展链式推理（CoT）过程在多种推理任务中取得了显著改进，但如何有效实现测试时扩展仍然是一个开放性问题。
• 目标：论文的目标是通过纯强化学习（RL）提升语言模型的推理能力，探索LLMs在没有任何监督数据的情况下，通过自我进化发展推理能力的潜力。

2. 方法

2.1 概述

• 论文展示了即使不使用监督微调（SFT）作为冷启动，通过大规模强化学习（RL）也可以显著提升推理能力。
• 进一步引入少量冷启动数据可以进一步提升性能。

2.2 DeepSeek-R1-Zero：在基础模型上应用强化学习

• 强化学习算法：采用GRPO（Group Relative Policy Optimization）算法，避免使用与策略模型大小相同的批评者模型，通过组分数估计基线。
• 奖励建模：采用基于规则的奖励系统，包括准确性奖励和格式奖励。
• 训练模板：设计了一个简单的模板，要求模型首先生成推理过程，然后提供最终答案。
• 性能：DeepSeek-R1-Zero在AIME 2024基准测试中表现出色，pass@1分数从15.6%提升至71.0%，通过多数投票进一步提升至86.7%，与OpenAI-o1-0912相当。

2.3 DeepSeek-R1：带有冷启动的强化学习

• 冷启动：通过收集数千个长CoT数据微调基础模型，作为RL的起点。
• 推理导向的强化学习：在微调后的模型上应用与DeepSeek-R1-Zero相同的RL训练过程。
• 拒绝采样和监督微调：在RL收敛后，通过拒绝采样生成新的SFT数据，并结合其他领域的数据进行微调。
• 面向所有场景的强化学习：在最终阶段，对模型进行额外的RL训练，优化其在各种场景下的表现。

2.4 蒸馏：赋予小型模型推理能力

• 使用DeepSeek-R1作为教师模型，通过蒸馏将推理能力传递给小型密集模型，显著提升了这些模型的推理能力。

3. 实验

• 基准测试：在MMLU、MMLU-Pro、GPQA Diamond、SimpleQA、LiveCodeBench、Codeforces等多个基准测试中评估模型性能。
• 评估提示：使用零样本提示，避免少样本提示对性能的负面影响。
• 基线模型：与DeepSeek-V3、Claude-Sonnet-3.5-1022、GPT-4o-0513、OpenAI-o1-mini等模型进行比较。
• 评估设置：使用pass@𝑖?评估方法，生成多个响应并计算平均准确性。

4. 讨论

• 蒸馏与强化学习：蒸馏方法在提升小型模型推理能力方面表现出色，而直接在小型模型上应用RL则需要更多的计算资源。
• 未成功的尝试：探索了过程奖励模型（PRM）和蒙特卡洛树搜索（MCTS），但这些方法在大规模训练中面临挑战。

5. 结论、局限性和未来工作

• 结论：DeepSeek-R1通过强化学习显著提升了推理能力，与OpenAI-o1-1217相当。
• 局限性：DeepSeek-R1在某些任务（如函数调用、多轮对话）上的表现不如DeepSeek-V3，且存在语言混杂问题。
• 未来工作：计划进一步提升模型的通用能力，优化语言混杂问题，并探索更高效的训练方法。

论文还开源了DeepSeek-R1-Zero、DeepSeek-R1以及基于Qwen和Llama的多个蒸馏模型，为研究社区提供了宝贵的资源。

《DeepSeek-V3 技术报告》

论文原文：https://arxiv.org/html/2412.19437v1

研究背景

近年来，大型语言模型（LLMs）在人工智能领域取得了快速的发展，逐渐接近通用人工智能（AGI）。开源模型如 DeepSeek 系列、LLaMA 系列等也在不断进步，努力缩小与闭源模型的差距。为了进一步提升开源模型的能力，研究者们推出了 DeepSeek-V3，这是一个参数规模更大的 MoE 模型，旨在通过高效的架构和训练策略实现更强的性能。

研究方法

DeepSeek-V3 的架构基于以下关键技术和策略：

1. Multi-head Latent Attention (MLA) 和 DeepSeekMoE：这两种架构在 DeepSeek-V2 中已经得到验证，能够实现高效的推理和成本效益的训练。
2. 无辅助损失的负载平衡策略：通过动态调整专家的负载，避免了因负载平衡而导致的性能下降。
3. 多 token 预测训练目标：通过预测多个未来 token 来增强模型性能。
4. FP8 混合精度训练：首次在大规模模型上验证了 FP8 训练的有效性，显著降低了 GPU 内存使用量并加速了训练。
5. 高效的训练框架：包括 DualPipe 算法和跨节点 All-to-All 通信的优化，减少了通信开销并提高了训练效率。

实验与结果

DeepSeek-V3 在 14.8 万亿高质量和多样化的 token 上进行了预训练，并通过监督微调（SFT）和强化学习（RL）阶段进一步优化。在多个基准测试中，DeepSeek-V3 的表现超过了其他开源模型，并与领先的闭源模型（如 GPT-4o 和 Claude-3.5-Sonnet）相当。具体表现如下：

• 知识类基准测试：在教育基准测试（如 MMLU、MMLU-Pro 和 GPQA）中，DeepSeek-V3 的表现优于所有其他开源模型，与 GPT-4o 和 Claude-Sonnet-3.5 相当。
• 代码、数学和推理能力：在数学相关基准测试中，DeepSeek-V3 达到了非长链推理（CoT）模型中的最佳性能，甚至在某些基准测试中超过了 o1-preview。在编程竞赛基准测试（如 LiveCodeBench）中，DeepSeek-V3 的表现也优于其他模型。

关键结论

DeepSeek-V3 的主要贡献包括：

1. 架构创新：引入无辅助损失的负载平衡策略和多 token 预测训练目标，提升了模型性能。

2. 高效的预训练：通过 FP8 混合精度训练和算法、框架、硬件的协同设计，实现了高效的训练，降低了训练成本。

3. 知识蒸馏：从 DeepSeek-R1 系列模型中蒸馏推理能力，显著提升了模型的推理性能。

4. 性能表现：在多个基准测试中，DeepSeek-V3 的表现优于其他开源模型，并与领先的闭源模型相当。

限制与未来方向

尽管 DeepSeek-V3 在性能和训练效率方面表现出色，但在部署方面仍存在一些限制，例如推荐的部署单元较大，可能对小型团队造成负担。未来，研究者们计划继续优化模型架构，扩大训练数据规模，并探索更全面的模型评估方法，以推动模型能力的进一步提升。