信息安全资料DeepSeek R1+Kimi1.5及类强推理模型开发解读-解密.pdfVIP

DeepSeek-R1\Kimi1.5及

类强推理模型开发解读

陈博远

北京大学2022级“通班”

主要研究方向：大语言模型对齐与可扩展监督

https://cby-pku.github.io/

/

北大对齐小组

Outline2

➢DeepSeek-R1开创RL加持下强推理慢思考范式新边界

➢DeepSeek-R1Zero及R1技术剖析

➢Pipeline总览\DeepSeek-V3Base\DeepSeek-R1Zero及R1细节分析

➢RL算法的创新：GRPO及其技术细节

➢DeepSeek-R1背后的InsightsTakeaways：RL加持下的长度泛化\推理范式的涌现

➢DeepSeek-R1社会及经济效益

➢技术对比探讨

➢STaR-basedMethodsvs.RL-basedMethods强推理路径对比(DS-R1\Kimi-1.5\o-series)

➢蒸馏vs.强化学习驱动：国内外现有各家技术路线对比分析及Takeaways

➢PRMMCTS的作用

➢从文本模态到多模态

➢其他讨论：Over-Thinking过度思考等

➢未来方向分析探讨

➢模态穿透赋能推理边界拓展：Align-DS-V

➢合成数据及Test-TimeScaling:突破数据再生产陷阱

➢强推理下的安全：形式化验证FormalVerification\审计对齐DeliberativeAlignment

➢补充拓展：DeepSeek-V3解读

DeepSeek-R1开创RL加持下强推理慢思考范式新边界3

➢OpenAIo1开启后训练Post-Training时代下的RL新范式：后训练扩展律Post-TrainingScalingLaw

➢DS-R1独立发现了一些通往o1路上的核心理念，并且效果还好到受到了OpenAI的认可

➢如何通过有效的Test-TimeScaling和Train-TimeScaling提升模型的推理能力？

➢得益于纯大规模强化学习，DeepSeek-R1具备强大推理能力与长文本思考能力，继开源来备受关注。

➢DeepSeekR1-Zero和R1的出现再次证明了强化学习的潜力所在：

➢R1-Zero从基础模型开始构建，完全依赖强化学习，而不使用人类专家标注的监督微调（SFT）；

➢随着训练步骤增加，模型逐渐展现出长文本推理及长链推理能力；

➢随着推理路径增长，模型表现出自我修复和启发式搜索的能力；

DeepSeek-R1开创RL加持下强推理慢思考范式新边界4

➢得益于强大的推理能力与长文本思考能力，DeepSeekR1在复杂任务上表现卓越，成为开源领域的又

一里程碑，标志着开源社区在与闭源大模型（如OpenAIo1系列）的竞争中迈出了关键性一步。

➢DeepSeek-R1在数学代码任务上表现突出

➢DeepseekR1在AIME2024上获得了79.8%的成绩，略高于OpenAI-o1-1217。在MATH-500上，获得97.3%

的惊人成绩，表现与OpenAI-o1-1217相当。

➢在编码相关的任务中表现出专家水平，在

Codeforces上获得了2029Elo评级，在竞赛中表现

优于96.3%的人类参与者

➢DeepSeek-R1在知识类问答上推动科学探索边界：

➢MMLU\MMLU-Pro\GPQADiamond等STEM-

related榜单上取得良好