Open R1 项目进展第一期

AI 技术文章4天前发布 AI Hunter

16 0 0

内容目录

DeepSeek R1 发布已经两周了，而我们启动 open-r1 项目——试图补齐它缺失的训练流程和合成数据——也才过了一周。这篇文章简单聊聊:

Open-R1 在模仿 DeepSeek-R1 流程和数据方面的进展
我们对 DeepSeek-R1 的认识和相关讨论
DeepSeek-R1 发布后社区搞出来的有趣项目

这既是项目的最新动态，也是一些关于 DeepSeek-R1 的有趣资料合集。

一周后的进展

先来看看 Open-R1 这周干了啥。我们一周前才开始这个项目，经过团队和社区的小伙伴们一起努力，已经有点成果可以分享了。

评估

要模仿人家，第一步得确认我们能不能复现 DeepSeek 的成绩。我们在 MATH-500 基准测试上试了试，果然能跟 DeepSeek 公布的数据对上号:

模型	MATH-500 (我们测的)	MATH-500 (DeepSeek 公布的)
DeepSeek-R1-Distill-Qwen-1.5B	81.6	83.9
DeepSeek-R1-Distill-Qwen-7B	91.8	92.8
DeepSeek-R1-Distill-Qwen-14B	94.2	93.9
DeepSeek-R1-Distill-Qwen-32B	95.0	94.3
DeepSeek-R1-Distill-Llama-8B	85.8	89.1
DeepSeek-R1-Distill-Llama-70B	93.4	94.5

想知道怎么测的？去 open-r1 仓库看说明吧。

我们还发现，DeepSeek 模型生成的回答特别长，评估起来都费劲。在 OpenThoughts 数据集里，DeepSeek-R1 的回答平均有 6000 个 token，有些甚至超过 20000 个 token。啥概念呢？一页书大概 500 个单词，一个单词可能由 1 个及以上的 token 组成，所以很多回答能写满 10 多页！(来源: https://x.com/gui_penedo/status/1884953463051649052)

回答这么长，给后面用 GPRO 训练带来了很大的挑战。想要生成超长内容，需要很多的 GPU 显存来存储梯度和激活值。

为了让大家都能看到进展，我们搞了个 open-r1 评估排行榜，社区可以在这里随时关注我们的复现情况 (space 在这里):

训练流程

Open R1 发布后，GRPO (分组相对策略优化) 被集成到了最新版 TRL (0.14 版) 中。有了这个，任何模型都能用一个或多个奖励函数来训练。GRPO 还能跟 DeepSpeed ZeRO 1/2/3 配合，实现多 GPU 并行训练，还用 vLLM 加速生成——毕竟在线训练最大的瓶颈就是生成速度。

from datasets import load_dataset
from trl import GRPOConfig, GRPOTrainer

dataset = load_dataset("trl-lib/tldr", split="train")

# 简单奖励: 回答接近 20 个字符的给高分
def reward_len(completions, **kwargs):
    return [-abs(20 - len(completion)) for completion in completions]

training_args = GRPOConfig(output_dir="Qwen2-0.5B-GRPO", logging_steps=10)
trainer = GRPOTrainer(
    model="Qwen/Qwen2-0.5B-Instruct",
    reward_funcs=reward_len,
    args=training_args,
    train_dataset=dataset,
)
trainer.train()

不过现在内存用量还是有点高，我们正在想办法优化。

合成数据生成

R1 报告里最让人兴奋的是，主模型能生成合成推理过程，小模型用这些数据微调后效果也能跟主模型差不多。所以我们也想能够复现这个合成推理数据集，让大家都能拿去调模型。

R1 这种大模型，难点在于怎么高效快速地生成数据。我们试了一周，调了各种配置。

一开始用两个 8xH100 节点跑模型，用 vLLM 当推理服务器。但效果不好，吞吐量低，只能同时处理 8 个请求，GPU 的 KV 缓存很快就满了。缓存一满，请求就被打断，如果设置了 PreemptionMode.RECOMPUTE ，就得等显存空出来再重跑。

后来我们换成 4 个 8xH100 节点，总共 32 个 GPU。这样显存够用，能同时跑 32 个请求，几乎不会因为缓存满而重新排队。

一开始我们批量发请求给 vLLM，但发现批量里慢的会拖后腿，GPU 利用率忽高忽低。新一批次得等上一批全跑完才开始。后来改成流式处理，GPU 利用率稳定多了:

改代码也不难。原来的批量推理代码是:

# 每批 500 个请求
for batch in batch_generator(dataset, bs=500):
    active_tasks = []
    for row in batch:
        task = asyncio.create_task(send_requests(row))
        active_tasks.add(task)
    if active_tasks:
        await asyncio.gather(*active_tasks)

现在流式处理的代码是:

active_tasks = []
for row in dataset:
    # 活跃请求控制在 500 个以下
    while len(active_tasks) >= 500:
        done, active_tasks = await asyncio.wait(
            active_tasks,
            return_when=asyncio.FIRST_COMPLETED
        )

    task = asyncio.create_task(send_requests(row))
    active_tasks.add(task)

# 等所有任务跑完
if active_tasks:
    await asyncio.gather(*active_tasks)

现在生成速度挺稳定，但我们还在琢磨，比如长请求被打断时，换用 CPU 缓存会不会更好。

想看现在的推理代码？点这里。

推广

open-r1 火了，连媒体都关注，过去一周团队成员频频上新闻:

Lewis 在 CNN 直播了！https://x.com/_lewtun/status/1884377909038833894?s=46
Thom 上彭博社: https://x.com/Thom_Wolf/status/1884353433865777520
Leandro 在 NPR《金钱星球》聊了会 (21 分钟左右): https://www.npr.org/2024/11/29/1215793948/deepseek-ai-china-us-semiconductors-stock-nvidia

还有一堆报道: 华盛顿邮报、金融时报、金融时报、财富、财富、The Verge、金融评论、Tech Crunch、时代周报、金融时报、纽约时报、华尔街日报、欧洲新闻、巴伦周刊、纽约时报、Vox、自然、瑞士资讯、商报、商业内幕、IEEE Spectrum、MIT 技术评论、世界报。

DeepSeek-R1 给我们带来了什么启发？

虽然大家还在研究 DeepSeek-R1 的成果和报告，但这款模型在发布短短两周后，就已经火遍了大街小巷，吸引了无数目光。

R1 引发了哪些反响？

发布后的第一周还算风平浪静，但到了第二周，市场突然热闹起来，各大 AI 研究机构纷纷发表看法:

股市周一有点慌乱，但后面几天稳住了，甚至还有所回升: 链接
OpenAI 的老板 Sam Altman 给 DeepSeek 点了赞，还透露他们会加快脚步，很快推出一些新东西: 链接
OpenAI 的研究大牛 Mark Chen 说，DeepSeek 的思路跟他们 o1 的想法不谋而合: 链接
Anthropic 的老板 Dario Amodei 借机强调出口限制，勾勒出一个要么两强争霸、要么一家独大的未来: 链接

与此同时，不少公司也忙着把 DeepSeek 模型塞进各种平台 (以下只是部分例子):

Dell: 联手 Hugging Face，Dell 的创始人兼老板 Michael Dell 推出了一套本地运行 DeepSeek-R1 的方案: 链接
AWS: 亚马逊的老大 Andy Jassy 宣布 DeepSeek-R1 已经能在 Amazon BedRock 和 SageMaker 上玩起来了: 链接
Hyperbolic AI: 链接
Together AI: 链接
Fireworks AI: 链接

DeepSeek V3 的训练成本有多夸张？

大家对 V3 和 R1 的训练费用特别好奇。虽然具体数字可能没那么关键，但很多人还是拿计算器粗略估了估，结果发现这些数字大体靠谱。看看这些讨论就知道了:

马里兰大学的 Tom Goldstein 教授: 链接
MatX 的创始人 Reiner Pope 把 Llama3 和 DeepSeek V3 摆在一起比了比: 链接
OpenAI 前员工 Lukas Beyer (曾混迹 Google Brain 和 DeepMind)，聊了聊 MFU 的来头: 链接
SemiAnalysis 还搞了份报告，猜想 DeepSeek 背后有哪些硬件支持: 链接

不少团队正在努力复现训练过程，估计很快就能知道这个模型的训练效率到底有多牛。

训练数据那些事儿

上周有人猜想 DeepSeek 可能偷偷用了 OpenAI 的数据来训练自己的模型，比如《金融时报》就报道了这事儿。不过现在还不确定这些说法会闹出什么结果。

开源社区也很热闹

围绕 DeepSeek-R1，开源社区简直火爆得不行，好多人都在基于这个模型搞出各种有意思的项目。

有哪些好玩的项目？

有些项目试着以较小的规模复制基本的学习机制，让你自己在家就能试试:

Will Brown 就展示了一个方法，用 TRL 里的 GRPO 训练器和 Llama 1B 模型，弄出一个简单的学习曲线。
TinyZero 更牛，花不到 30 美元，用一个 3B 的基础模型，就能让你自己体验到那种 “哦，原来是这样！” 的瞬间。
Philipp Schmid 还写了个 Mini-R1教程，手把手教你怎么找到那个“顿悟”时刻。
香港科技大学的研究员们尝试了更大的模型，他们在一篇博客里讲了怎么用 7B 的数学模型搞出推理能力。
Evolving LLM 实验室的人已经开始折腾 R1 的多模态版本了，地址在这儿: https://github.com/EvolvingLMMs-Lab/open-r1-multimodal。
Stepanov 则用 R1 从文本里提取图表，教程在这儿: https://huggingface.co/blog/Ihor/replicating-deepseek-r1-for-information-extraction。

TinyZero 的结果，模型的推理能力变强了

香港科大的图表，随着训练越久，模型的推理过程越长

数据集也忙得不亦乐乎

社区里好多人都在忙着搞 R1 相关的数据集，亮点有这些:

bespokelabs/Bespoke-Stratos-17k: 模仿 Berkeley Sky-T1 的数据流程，用 DeepSeek-R1 创建出一堆问题、推理过程和答案，然后拿去微调 7B 和 32B 的 Qwen 模型。
open-thoughts/OpenThoughts-114k: 一个超棒的合成推理数据集，有 114k 个例子，数学、科学、代码、谜题啥都有。Open Thoughts 工作的一部分
cognitivecomputations/dolphin-r1: 80 万样本的大集合，混了 DeepSeek-R1、Gemini flash 还有 Dolphin 聊天的 20 万样本，想帮着训练 R1 那样的模型。
ServiceNow-AI/R1-Distill-SFT: 现在有 1.7 万样本，ServiceNow 的语言模型团队做的，用于支持 Open-R1 计划。
NovaSky-AI/Sky-T1_data_17k: 用来训练 Sky-T1-32B-Preview 的数据，花不到 450 美元就搞定，详情看这篇博客。
Magpie-Align/Magpie-Reasoning-V2-250K-CoT-Deepseek-R1-Llama-70B: 扩展了 Magpie 的方法，生成带推理的指令数据，挺有意思。

此列表仅涵盖 Hub 上的少量推理和问题解决相关数据集。我们期待可以看到社区在未来几周内能够构建其他哪些数据集。

下一步干啥？

我们这才刚起步呢，打算把训练流程弄完，在小模型上试试，再用放大版的推理流程搞出高质量的数据集。想帮忙的话，去 GitHub 上看 open-r1 仓库，或者关注 Hugging Face 的 open-r1 组织吧！

英文原文: https://hf.co/blog/open-r1/update-1

原文作者: Leandro von Werra, Lewis Tunstall, Quentin Gallouédec, Guilherme Penedo, Edward Beeching, Anton Lozhkov, Brigitte Tousignant, Daniel van Strien

译者: yaoqih

赞赏

微信赞赏支付宝赞赏