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

白银市司法管理app 滨州市电力app 晋中市第二小学app 秦皇岛市养老服务app 成都市政要信息app 漯河市第四中学app 临沂市重大建设公开app 深圳市税务局app 丽水市第三小学app 南宁市不良信息举报app 泰州市建设局信息app 中山市住房保障app 鹤岗市电视台广播app 汉中市市场监督app 西安市建设局信息app 贺州市非物质文化遗产app 佳木斯市特殊家庭关爱协会app 石嘴山市养老服务app 百色市学校app 昌都市第五中学app 泰安市土地申报app 邵阳市公开信息app 怀化市第二中学app 阜阳市专题专栏app 自贡市环境保护协会app 德阳市学校简介app 十堰市最新新闻app 衡水市司法管理app 厦门市历史记录app 宁津县消防宣传app 通江县第一高中app 托里县第三小学app 濉溪县枞阳县妇联救助app 佳县电台广播中心app 新干县通讯协会app 汪清县公正处app 柳河县第六小学app 磐安县未成年保护协会app 勐腊县文旅信息app 洋县风力发电app 商河县第六小学app 缙云县专题专栏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