就在近期，全球技术社区掀起了一波复现 DeepSeek R1 的浪潮。UC 伯克利、港科大（HKUST）、HuggingFace 等机构纷纷成功复现相关模型，仅使用强化学习（RL），无需监督微调（SFT），成本低至 30 美元即可见证模型的「顿悟时刻」。这一趋势表明，全球 AI 大模型或许正在进入一个新的分水岭。
硅谷近期深受中国公司带来的技术变革影响。全美业界都在关注：人工智能的中心是否已经转移？在此背景下，全球复现 DeepSeek 的狂潮随之而来。正如 Yann LeCun 所言：「这一次，正是开源对闭源的胜利！」
在没有顶级芯片的情况下，以极低成本芯片训练出突破性模型的 DeepSeek，可能对现有的算力霸权构成挑战。大模型比拼的不再是动辄千万亿美元的算力战，OpenAI、Meta、谷歌等大公司引以为傲的技术优势和高估值面临考验，英伟达的股价也可能因此动摇。种种观点让人不禁怀疑：数百亿美元的支出对这个行业真的必要吗？甚至有分析认为，中国量化基金的天才团队可能导致纳斯达克市场波动。
从此，大模型时代很可能会进入一个分水岭：超强性能的模型不再独属于算力巨头，而是属于每个人。
30 美金，见证「啊哈」时刻
来自 UC 伯克利博士生潘家怡和另外两位研究人员，在 CountDown 游戏中复现了 DeepSeek R1-Zero。他们表示，结果相当出色！实验中，团队验证了通过强化学习 RL，3B 的基础语言模型也能够自我验证和搜索。
更令人兴奋的是，成本不到 30 美金（约 217 元），就可以亲眼见证「啊哈」时刻。该项目叫做 TinyZero，采用了 R1-Zero 算法——给定一个基础语言模型、提示和真实奖励信号，运行强化学习。
团队将其应用在 CountDown 游戏中（这是一个玩家使用基础算术运算，将数字组合以达到目标数字的游戏）。模型从最初的简单输出开始，逐步进化出自我纠正和搜索的策略。在以下示例中，模型提出了解决方案，自我验证，并反复纠正，直到解决问题为止。
在消融实验中，研究人员运行了 Qwen-2.5-Base（0.5B、1.5B、3B、7B 四种参数规模）。结果发现，0.5B 模型仅仅是猜测一个解决方案然后停止。而从 1.5B 开始，模型学会了搜索、自我验证和修正其解决方案，从而能够获得更高的分数。他们认为，在这个过程，基础模型的性能是关键。
他们还验证了，额外的指令微调（SFT）并非是必要的，这也印证了 R1-Zero 的设计决策。这是首个验证 LLM 推理能力的实现可以纯粹通过 RL，无需监督微调的开源研究。
基础模型和指令模型的区别：
- 指令模型运行速度快，但最终表现与基础模型相当
- 指令输出的模型更具结构性和可读性
此外，他们还发现，具体的 RL 算法并不重要。PPO、GRPO、PRIME 这些算法中，长思维链（Long CoT）都能够涌现，且带来不错的性能表现。
而且，模型在推理行为中非常依赖于具体的任务：对于 Countdown 任务，模型学习进行搜索和自我验证；对于数字乘法任务，模型反而学习使用分布规则分解问题，并逐步解决。
苹果机器学习科学家 Yizhe Zhang 对此表示，太酷了，小到 1.5B 的模型，也能通过 RL 涌现出自我验证的能力。
7B 模型复刻，结果令人惊讶
港科大助理教授何俊贤的团队（共同一作黄裕振、Weihao Zeng），只用了 8K 个样本，就在 7B 模型上复刻出了 DeepSeek-R1-Zero 和 DeepSeek-R1 的训练。结果令人惊喜——模型在复杂的数学推理上取得了十分强劲的结果。
项目地址：https://github.com/hkust-nlp/simpleRL-reason
他们以 Qwen2.5-Math-7B（基础模型）为起点，直接对其进行强化学习。整个过程中，没有进行监督微调（SFT），也没有使用奖励模型。最终，模型在 AIME 基准上实现了 33.3% 的准确率，在 AMC 上为 62.5%，在 MATH 上为 77.2%。
这一表现不仅超越了 Qwen2.5-Math-7B-Instruct，并且还可以和使用超过 50 倍数据量和更复杂组件的 PRIME 和 rStar-MATH 相媲美！
其中，Qwen2.5-7B-SimpleRL-Zero 是在 Qwen2.5-Math-7B 基础模型上仅使用纯 PPO 方法训练的，仅采用了 MATH 数据集中的 8K 样本。
Qwen2.5-7B-SimpleRL 则首先通过 Long CoT 监督微调（SFT）作为冷启动，然后再进行强化学习。在这两种方法中，团队都只使用了相同的 8K MATH 样本，仅此而已。
大概在第 44 步的时候，「啊哈时刻」出现了！模型的响应中，出现了自我反思。
并且，在这个过程中，模型还显现了更长的 CoT 推理能力和自我反思能力。在博客中，研究者详细剖析了实验设置，以及在这个强化学习训练过程中所观察到的现象，例如长链式思考（CoT）和自我反思机制的自发形成。
与 DeepSeek R1 类似，研究者的强化学习方案极其简单，没有使用奖励模型或 MCTS（蒙特卡洛树搜索）类技术。他们使用的是 PPO 算法，并采用基于规则的奖励函数，根据生成输出的格式和正确性分配奖励：
- 如果输出以指定格式提供最终答案且正确，获得 +1 的奖励
- 如果输出提供最终答案但不正确，奖励设为 -0.5
- 如果输出未能提供最终答案，奖励设为 -1
该实现基于 OpenRLHF。初步试验表明，这个奖励函数有助于策略模型快速收敛，产生符合期望格式的输出。
第一部分：SimpleRL-Zero（从头开始的强化学习）
接下来，研究者为我们分享了训练过程动态分析和一些有趣的涌现模式。
训练过程动态分析
如下所示，所有基准测试的准确率在训练过程中都在稳步提高，而输出长度则呈现先减少后逐渐增加的趋势。经过进一步调查，研究者发现，Qwen2.5-Math-7B 基础模型在初始阶段倾向于生成大量代码，这可能源于模型原始训练数据的分布特征。
输出长度的首次下降，是因为强化学习训练逐渐消除了这种代码生成模式，转而学会使用自然语言进行推理。随后，生成长度开始再次增加，此时出现了自我反思机制。
自我反思机制的涌现
在训练到第 40 步左右时，研究者观察到：模型开始形成自我反思模式，这正是 DeepSeek-R1 论文中所描述的「aha moment」（顿悟时刻）。
第二部分：SimpleRL（基于模仿预热的强化学习）
如前所述，研究者在进行强化学习之前，先进行了 long CoT SFT 预热，使用了 8,000 个从 QwQ-32B-Preview 中提取的 MATH 示例响应作为 SFT 数据集。这种冷启动的潜在优势在于：模型在开始强化学习时已具备 long CoT 思维模式和自我反思能力，从而可能在强化学习阶段实现更快更好的学习效果。
与 RL 训练前的模型（Qwen2.5-Math-7B-Base + 8K QwQ 知识蒸馏版本）相比，Qwen2.5-7B-SimpleRL 的平均性能显著提升了 6.9 个百分点。此外，Qwen2.5-7B-SimpleRL 不仅持续优于 Eurus-2-7B-PRIME，还在 5 个基准测试中的 3 个上超越了 Qwen2.5-7B-SimpleRL-Zero。
Qwen2.5-SimpleRL 的训练动态表现与 Qwen2.5-SimpleRL-Zero 相似。有趣的是，尽管研究者先进行了 long CoT SFT，但在强化学习初期仍然观察到输出长度减少的现象。他们推测，这可能是因为从 QwQ 提取的推理模式不适合小型策略模型，或超出了其能力范围。因此，模型选择放弃这种模式，转而自主发展新的长链式推理方式。
最后，研究者用达芬奇的一句话，对这项研究做了总结——简约，便是最终极的精致。
完全开源复刻，HuggingFace 下场了
甚至，就连全球最大开源平台 HuggingFace 团队，今天官宣复刻 DeepSeek R1 所有 pipeline。复刻完成后，所有的训练数据、训练脚本等等，将全部开源。
这个项目叫做 Open R1，当前还在进行中。发布到一天，星标冲破 1.9k，斩获 142 个 fork。
项目地址：https://github.com/huggingface/open-r1
研究团队以 DeepSeek-R1 技术报告为指导，将整个复刻过程划分为三个关键步骤：
- 步骤 1： 通过从 DeepSeek-R1 蒸馏高质量语料库，复现 R1-Distill 模型。
- 步骤 2： 复现 DeepSeek 用于创建 R1-Zero 的纯强化学习（RL）流程。这可能需要为数学、推理和代码任务策划新的大规模数据集。
- 步骤 3： 展示我们如何通过多阶段训练，从基础模型发展到经过 RL 调优的模型。
从斯坦福到 MIT，R1 成为首选
一个副业项目，让全世界科技大厂为之惶恐。DeepSeek 这波成功，也成为业界的神话，网友最新截图显示，这款应用已经在 APP Store「效率」应用榜单中挤进前三。
在 Hugging Face 中，R1 下载量直接登顶，另外 3 个模型也霸占着热榜。 a16z 合伙人 Anjney Midha 称，一夜之间，从斯坦福到 MIT，DeepSeek R1 已经成为美国顶尖高校研究人员「首选模型」。
还有研究人员表示，DeepSeek 基本上取代了我用 ChatGPT 的需求。中国 AI，这一次真的震撼了世界。
技术意义与展望
此次 DeepSeek 及其复现项目的核心突破在于证明了低资源下推理能力的可塑性。传统的 LLM 开发往往依赖大规模 SFT 数据和昂贵的奖励模型，而 TinyZero 和 SimpleRL 展示了纯 RL 路径的可行性。这不仅降低了科研门槛，也为中小企业和个人开发者提供了参与大模型研发的机会。
强化学习在推理任务中的应用，标志着模型从「概率预测」向「逻辑规划」的转变。通过自我验证和搜索，模型能够像人类一样进行试错和修正，这种机制是通用人工智能（AGI）的重要基石。随着更多开源项目的跟进，未来可能会出现更多基于 RL 优化的垂直领域模型，推动 AI 技术的普惠化。
同时，这也对现有的算力垄断格局提出了挑战。当 30 美元就能复现高级推理能力时，算力成本的边际效应将显著降低，促使行业重新评估基础设施的投资回报。
