DeepSeek-R1的亮点在于其出色的数学和逻辑推理能力,这使其区别于一般的通用大语言模型(LLM)。DeepSeek-R1的训练目标是达到与OpenAI o1相似的推理能力,但技术路线有所不同。R1并没有采用o1 test-time compute(测试时计算),而是注重通过强化学习(RL)和监督微调(SFT)的结合来提升模型的性能。

DeepSeek-R1训练过程是一个复杂但高效的过程,旨在通过多个阶段的训练,提升模型的推理能力和对齐人类偏好。整个训练过程包括冷启动监督微调、面向推理强化学习、拒绝采样和多领域监督微调以及全场景强化学习四个阶段,每个阶段都对模型的推理能力进行了针对性的提升。

一、冷启动监督微调

第一阶段:冷启动监督微调(Cold Start SFT)是什么?冷启动监督微调通过准备高质量的长链思维数据(CoT Data)并对基模型(DeepSeek-V3 Base)进行监督微调(SFT),为模型提供了初始的规范化推理能力。

DeepSeek-R1: Affordable, Efficient, and State-of-the-Art AI Reasoning | by  LM Po | Jan, 2025 | Medium

为什么需要启动监督微调(Cold Start SFT)?直接从基模型(如DeepSeek-V3-Base)启动强化学习(RL)得到的模型(如DeepSeek R1-Zero)可能导致输出混乱(如语言混合、格式不统一),以及缺乏人类友好的推理模式,因此需要为模型提供初始的规范化推理行为。

在准备好长链思维数据(CoT Data)后,使用这些数据对基模型(如DeepSeek-V3-Base)进行监督微调。

  • 将CoT数据作为输入,通过模型生成相应的输出。

  • 计算模型输出与真实标签(即CoT数据中的推理过程)之间的误差。

  • 根据误差更新模型的参数,以减小误差并提高模型的准确性。

Maithra Raghu on LinkedIn: Key takeaways from reading the DeepSeek R1  paper: AI training matters, a… | 15 comments

二、面向推理强化学习

第二阶段:面向推理强化学习(Reasoning-Oriented RL)是什么?DeepSeek-R1运用强化学习算法来精炼模型的推理策略,使模型在与环境的互动中持续学习进步。通过不断尝试与纠正错误,模型能够探寻出最佳的决策路径。

在冷启动的基础上,DeepSeek-R1应用了大规模的强化学习过程。这个过程侧重于提升模型在编码、数学、科学和逻辑推理等任务上的能力。此外,DeepSeek-R1还引入了语言一致性奖励等机制,有效解决了语言混合等问题,从而显著提升了模型的推理性能。

Breakdown of DeepSeek R1 Pipeline | by Sanjay Chouhan | Feb, 2025 | Medium

三、拒绝采样和多领域监督微调

第三阶段:拒绝采样和多领域监督微调(Multi-Domain SFT)是什么?拒绝采样确保了训练数据的准确性和高质量,而多领域监督微调则通过引入多领域数据,进一步扩展了模型的能力和适用范围。

一、拒绝采样(Rejection Sampling)

拒绝采样技术于强化学习收敛后应用,从模型生成的响应中筛选正确推理轨迹,确保后续训练数据质量,提升模型推理能力。

二、多领域监督微调(Multi-Domain SFT)

多领域监督微调利用混合数据集,结合正确推理轨迹与非推理数据,进一步提升模型在多个领域的性能。

Breakdown of DeepSeek R1 Pipeline | by Sanjay Chouhan | Feb, 2025 | Medium

在面向推理的强化学习达到收敛状态后,DeepSeek团队巧妙地运用了所得的checkpoint,通过拒绝采样技术,精心生成了一批新的监督微调(SFT)数据。随后,他们利用这批数据进行了多领域的监督微调,这一举措极大地提升了DeepSeek-R1在第三阶段的推理能力和泛化性能。

Beyond OpenAI: How DeepSeek R1 and R1-Zero Are Changing AI | by Chetna  Shahi | Feb, 2025 | Medium

四、全场景强化学习

第四阶段:全场景强化学习(Final-RL Alignment)是什么?在全场景强化学习阶段,DeepSeek团队通过收集人类偏好数据、提升复杂场景泛化能力以及采用先进强化学习算法,确保模型与人类期望对齐并学习到最优策略。

The Layman's Introduction to DeepSeek-R1 Training | by FS Ndzomga |  Thoughts on Machine Learning | Jan, 2025 | Medium

全场景强化学习(Final-RL Alignment)是DeepSeek-R1训练的最后阶段,通过强化学习技术,使模型在开放域问答、长文本理解等复杂场景中表现稳健,同时提升模型的安全性和实用性。这一阶段的主要目的是确保模型的行为和输出与人类期望的目标和价值观保持一致。

如何学习大模型 AI ?

由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。

但是具体到个人,只能说是:

“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。

这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。

我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段(10天):初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么?
  • 大模型是怎样获得「智能」的?
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例:向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范

第二阶段(30天):高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示(Embeddings)
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署

第三阶段(30天):模型训练

恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。

到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2:手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建

第四阶段(20天):商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身:基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例:如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案

学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。

如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。

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

在这里插入图片描述

Logo

欢迎加入DeepSeek 技术社区。在这里,你可以找到志同道合的朋友,共同探索AI技术的奥秘。

更多推荐