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

平顶山市妇联app 黄冈市街道办app 平凉市出口管理app 邢台市人社管理app 黄山市政府公报app 赣州市森林消防app 韶关市旅游协会app 辽源市第四高中app 南通市太阳能发电信息app 信阳市第六小学app 珠海市助农app 随州市社会求助app 菏泽市政务服务app 莆田市农业app 吐鲁番市住房保障app 白银市学校app 滨州市劳动局app 德州市电力app 丽水市政务监督app 张家界市申建app 定西市风力发电app 扶绥县历史记录app 临潭县振兴乡村app 武宁县教育局app 岳池县征地服务app 三穗县公正处app 比如县申建app 永平县政府公报app 汝阳县第五高中app 龙川县台风监控中心app 清河县妇联app 芷江侗族自治县残联救助app 永德县公共法律服务app 东辽县人社管理app 龙里县土木工程app 息县征地服务app 阿克塞哈萨克族自治县信息公开app 会泽县建设局信息app 龙州县重大建设公开app 民和回族土族自治县通讯协会app 石屏县第一中学app 西盟佤族自治县天气监控中心app 阳曲县电视台广播app 天台县公益app 洪雅县环境保护协会app 通城县信息公开app 蕉岭县防灾信息app 汉阴县公开信息app 芦山县劳动局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