DeepSeek-R1-推理模型
####################



热点词
======

* Test/Inference-Time scaling law，通过增加推理阶段的算力提升模型的推理能力
* Post Training，通过后训练提升模型的推理能力
* PRM/ORM：基于过程/结果的奖励模型
* CoT：思维链
* 强化学习、self-play（自我博弈）与MCTS（使用蒙特卡洛搜索树寻找最佳答案）


其他关键词
----------

* pretrain-time scaling law



post-training
=============

* "Post-training"这个术语通常出现在机器学习和人工智能领域，特别是在深度学习模型的训练过程中。它指的是在初始训练完成之后进行的一系列操作或步骤，目的是为了进一步改进模型的性能、适应新的数据或者任务，而不需要从头开始完整的训练过程。
* 这些操作可能包括但不限于：
    * 微调（Fine-tuning）：使用新的数据集对已训练模型进行额外的训练，以便让模型能够更好地适应特定的任务或数据分布。这通常涉及到较低的学习率，以避免大幅度改变已经训练好的模型权重。
    * 量化（Quantization）：将模型中的参数从浮点数转换为低精度的整数表示形式，以此来减少模型的大小并加速推理过程，同时尽量保持模型的准确度。
    * 剪枝（Pruning）：去除模型中不重要的权重或神经元，以减少计算复杂度和模型大小，使模型更高效。
    * 知识蒸馏（Knowledge Distillation）：通过训练一个较小的“学生”网络来模仿一个较大的“教师”网络的行为，从而获得更小、更快但依然保持较高准确性的模型。
    * 域适应（Domain Adaptation）：调整模型，使其能够在一个与训练时不同的但相关的领域内工作得更好。



Test/Inference-time Scaling Law
===============================

* 有一个基础模型（我们称其为generator），但是这个模型的逻辑推理能力（比如解数学题的能力）较差时，我们该怎么改进它？再说的具体点，不考虑数据集相关的成本，假设我手头的gpu算力（FLOPs）是有限的，我该怎么利用它，能让我的模型最终能推理出更好的结果？
* 一个比较直接的想法是：把算力花在它的pretain阶段，给模型注入更多数理逻辑的预训练知识。
    * 例如用更好、更多的代码数学等数据，或者扩展模型的参数规模。这个做法启发自大家都很熟悉的scaling law（更具体地说是pretrain-time scaling law）。
    * 曾经，为了提升模型的逻辑推理能力，我们把算力都花在pretrain阶段，由此诞生了pretrain scaling law
    * 现在，已经有现成的产品证明，算力如果花在post training和inference上，模型的推理能力将得到更大提升，也就是存在一个Test/Inferece scaling law

* openai o1 把这个算力更多地用在了2个地方：
    * 用在了rlhf的训练上（post training）
    * 用在了模型的推理阶段上（Test/Inferece）

* Test/Inferece scaling law
    * pretrain scaling law受到模型参数和训练数据的影响一样
    * Test/Inferece scaling law


* 把算力用在inference阶段，也就是说，在不变动pretrain阶段的情况下，只通过推理等层面的优化，来提升模型最后的生成效果。
    * 这里又分成两种情况。
        * 优化推理输入：prompt(CoT)
            * 把算力花在推理阶段上可以提升模型效果
                * prompt给的越细节，你的多轮引导给的越多，模型或许就能产出更好的结果。
                * 而更多的token意味着推理阶段需要花费更多的算力，这就是我们所说的【把算力花在推理阶段上可以提升模型效果】的具体内容之一
        * 优化推理输出：revise output distribution
            * 让模型吃下一个问题后，自动化地去做CoT的过程
                * 如：希望模型在吃下一个问题后，能自主产生以下输出：attempt1 -> attempt2 -> attempt3 -> ...-> attempti -> answer
                * 其中，每个attempt包含“多个中间步骤steps + 最终答案”，也就是它在模拟人类的思考过程：先做一次attempt，然后发现问题，在此基础上在做别的attempt，直到找到最终答案。
            * 方案
                * 一个直观的方法就是，如果我有： problem -> attempt1 -> ... -> attempti -> answer 这种带标签的数据
                * 解法1：我直接做sft，把最正确的attempt放在输入序列最后，当作label进行训练即可
                * 解法2：我用类似rlhf的方法，先有一个奖励模型，它能对每一个思考步骤做评估，然后利用这个评估结果，指引模型步步搜索，每一步都找到最佳的思考步骤，最终能找到答案
                * 仅从训练方法上来说，都可以算成是post-training


* 如何保证中间结果和答案一定是最好
    * 一方面，我们可以考虑优化推理阶段，即使用一个能够评估中间步骤的verifier，在推理时指引模型搜索出最佳答案。例如，我们对一个问题采样多个attempts链，从中找最好的。或者在单个attempts中找到最好的attempt
    * 另一方面，我们可以考虑在post-training阶段，使用这个verifier来指导模型自动化生产高质量的数据（这是个inference步骤），基于这些数据我们再做对齐。如果这个流程做得好，我们甚至可以直接信任post-training后模型的结果
    * 所以，【优化推理输出】这一部分，你可以把算力全部花在post-training上，也可以花在post-training+inference上，从o1的技术报告上看，它应该选择了后者，同时post-training选择了某种基于强化学习的方法


* 具体参见相关论文
    * Let's Verify Step by Step （openai）
    * Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters(deepmind)


OpenAI
======

.. figure:: https://img.zhaoweiguo.com/uPic/2025/02/mDrZoo.png

    a multi-step conversation between a user and an assistant. Input and output tokens from each step are carried over, while reasoning tokens are discarded.



* from: https://platform.openai.com/docs/guides/reasoning





参考
====

* https://mp.weixin.qq.com/s/pSR8RyvvQPUEuHBtUFh8Og
* 收集了内外网可能和o1背后的算法有关的各种资料，包括相关论文、代码和twitter post等等: https://github.com/hijkzzz/Awesome-LLM-Strawberry
* Let's Verify Step by Step （openai）: https://arxiv.org/abs/2305.20050
* Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters (google deepmind): https://arxiv.org/abs/2408.03314
* A collection of LLM papers, blogs, and projects, with a focus on OpenAI o1 🍓 and reasoning techniques: https://github.com/hijkzzz/Awesome-LLM-Strawberry