今天小編分享的科學經驗：1/30訓練步驟復刻DeepSeek-R1-Zero，沈向洋姜大昕張祥雨等開源推理模型RL訓練方法，歡迎閱讀。
DeepSeek 啥都開源了，就是沒有開源訓練代碼和數據。
現在，開源 RL 訓練方法只需要用 1/30 的訓練步驟就能趕上相同尺寸的 DeepSeek-R1-Zero 蒸餾 Qwen。
國内大模型六小強之一的階躍星辰聯與清華聯合發布 Open Reasoner Zero（ORZ），由 AI 大拿沈向洋、階躍星辰創始人 /CEO姜大昕、ResNet 作者張祥雨等一眾大佬親自署名。
在響應長度上，用約 17% 的訓練步驟就能趕上 DeepSeek-R1-Zero 671B。
值得關注的是，團隊還發現了一個重要的轉捩點——
在訓練步驟約 680 步時，模型的訓練獎勵值、反思能力和回答長度同時出現顯著提升，疑似出現了 DeepSeek-R1-Zero 論文中類似的 " 頓悟時刻 "（aha moment）。
目前，研究訓練數據、訓練代碼、論文、模型全都 100％開源，開源許可證用的也是寬松的 MIT Lisence。
開源 48 小時，就已速攬 700+ 星星。
以下是更多細節。
復雜的獎勵函數不必要？！
通過廣泛的實驗，團隊證明了一種極簡主義的方法，帶有 GAE 的原版 PPO 就可以有效地擴展 RL 訓練（關鍵的參數設定是 GAE λ = 1，折扣因子 γ =1）。
再加上基于規則的獎勵函數，足以在推理任務上同時擴大響應長度和基準性能，類似于 DeepSeek-R1-Zero 中觀察到的現象。
這一結果表明復雜的獎勵函數是不必要的。
另外，團隊在不依賴任何基于 KL 的正則化技術的情況下實現了穩定的訓練，這與 RLHF 和推理模型領網域目前的認知不同，這也為進一步擴大強化學習規模提供了希望。
同時擴大數據數量和多樣性對于 Open Reasoner Zero 的訓練至關重要。雖然在像 MATH 這樣有限的學術數據集上訓練會導致性能快速達到平台期，但精心策劃的大規模多樣化數據集能夠實現持續擴展，在訓練集和測試集上都沒有飽和的迹象。
在以 Qwen2.5-Base-7B 為基礎模型的實驗中，所有基準測試在某個時間點都會經歷獎勵和響應長度的突然增加，這種現象類似于湧現行為。
在整個訓練過程中，Average Correct Reflection Length 始終高于 Average Response Length。一個特别值得注意的現象出現在第 680 步附近，可以觀察到三個指标同時加速。
最終，Open-Reasoner-Zero 模型在 MMLU 和 MMLU_PRO 基準測試中，無需任何額外的指令調整即可超越 Qwen2.5 Instruct。
One More Thing
昨天，
只提了一嘴，是因為研究還未完全完成（Working in Progress ) ，随時可能有新進展，感興趣的盆友可以關注一哈。
項目地址：
https://github.com/Open-Reasoner-Zero/Open-Reasoner-Zero/
