前言

两家凑巧同一天放出了解题推理模型，简单对比着看了下实现方案，o1 类模型实现并没有和大家早期推测的那样用上 MCTS，PRM 这些方法，个人感觉也是太复杂的方法 scaling 不了。

目前各家用的方案看起来更像是 sft+rl 的加强版，把推理过程内含进生成，而不是用结构去引导生成。两家效果看报告比较接近，个有所长。

code 和 math deepseek 强了一点点，kimi 支持 vision。base 的 rl 基于 token， o1 的 rl 基于思考过程的 node，更符合直觉。

总体上，kimi 的方案是 pretraining，vanilla supervised fine-tuning (SFT)，long-CoT supervised fine-turning，and reinforcement learning (RL)。

kimi 的方案可能更接近 openai o1，先用高质量的 Cot 数据 finetune一个推理模型，然后用一堆 rm 进行大规模的强化学习，路子比较传统一些。讲的比较清楚。

deepseek 的方案是 pretrainning，Cold start SFT，DeepSeek-R1-Zero，Rejection Sampling and SFT，RL2 for all Scenarios。

deepseek 方案最重要的步骤是 DeepSeek-R1-Zero，用了一个 cot 的 prompt 模板，然后一堆基于规则的 reward 模型，强化学习用的 GRPO，方法比较直接。

但是 deepseek 的方案从 base model 直接训练推理能力，实在太强了，有种大力出奇迹的美。

总体来说，deepseek 方案创新度更高，kimi 方案可能更接近 openai 的路子。

1、kimi 方案的一些细节

vanilla SFT

非推理任务，包括问答、写作和文本处理，先人工标注构建一个种子数据集，训练一个种子模型。

随后收集多样化提示，用种子模型为每个提示生成多个回复。标注者对这些回复进行排序，对排名最高的回复进行优化，以生成最终版本。

对于数学和编程问题等推理任务，基于规则和奖励模型的验证比人工判断更准确和高效，利用拒绝采样来扩展 SFT 数据集。

Long-CoT Supervised Fine-Tuning

这一步应该是让模型具有长思维链能力，方便后续 RL 学习。

首先要构建一套 RL Prompt，满足 3 个要求 Diverse Coverage(多样性)、Balanced Difficulty(难度均衡)、Accurate Evaluability(方便评估)，然后构建了一个小而高质量的长链思维（long-CoT）预热数据集，其中包含针对文本和图像输入的经过准确验证的推理路径。

这种方法类似于拒绝采样（RS），但侧重于通过提示工程生成长链思维推理路径。

生成的预热数据集旨在封装对人类推理至关重要的关键认知过程，例如规划，即模型在执行前系统地列出步骤；评估，涉及对中间步骤的批判性评估；反思，使模型能够重新考虑并优化其方法；以及探索，鼓励考虑替代解决方案。

通过对该预热数据集进行轻量级的监督微调（SFT），经过微调后模型生成的回复更详细且逻辑一致更好。

ps：RL Prompt 具体什么样子，怎么指导 Long Cot 不太清楚。

RL

这部分篇幅很多，讲了推理问题的路径搜索和策略优化算法，但是看最后的 gradient 公式，就是正常的 policy gradient，很多东西都内含进生成里面了，比如策略 z。

2、Deepseek 方案的一些细节

冷启动，针对 DeepSeek-R1-Zero 的可读性差，格式差，不符合人类偏好的问题，做了几千条冷启动数据 finetune。

Reasoning-oriented Reinforcement Learning，这个阶段类似 DeepSeek-R1-Zero 阶段，同时为了为了缓解语言混合问题，强化学习训练中引入了语言一致性奖励，score 为目标语言词汇在思维链中所占的比例。

Rejection Sampling and Supervised Fine-Tuning，利用推理数据和非推理数据一起进行 SFT，以增强模型在写作、角色扮演和其他通用任务中的能力。

Reinforcement Learning for all Scenarios，二次强化学习阶段，旨在提高模型的有用性和无害性，同时优化其推理能力，对于推理数据，用基于规则的奖励来指导数学、代码和逻辑推理领域的学习过程。

对于通用数据，采用奖励模型来捕捉复杂和微妙场景中的人类偏好。

3、总结

deepseek 方案看起来更简洁，创新程度更高，但是对工程能力要求更高，看起来简单实现起来就不是那么回事了。

kimi 的方案可能更接近 openai o1，论文写的比较详细，抄作业的难度会更低一点。

目前推理模型的核心还是高质量的 cot 推理数据加上上规模的强化学习。相信后面还会有很多接近 o1 效果的模型出现。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】