50美元训练出DeepSeek R1?

致歉！本号过于追求所谓新闻时效性，于昨日下午较早时间在未经充分核实的情况下转载公众号“***电报”所发布的“李飞飞团队用不到50美元训练出媲美DeepSeek R1的AI推理模型”的信息，给大家造成了误导，虚心接受各方批评！本号深感自身的失误，向大家致以最诚挚的歉意！
特转发下文向“傅里叶的猫”以表感谢！

今天下午简直被这条新闻刷屏了，"震惊"，“李飞飞”，“50美元”，“Deep Seek R1"，这几个词连到一起，简直是掀了Open AI和英伟达的桌子，即便是蒸馏出来的模型，那这么低的成本，OpenAI花了几十、几百亿美元做出来的模型，被轻松复制，那OpenAI的估值不得打个骨折？

我就赶紧看了下论文：

https://arxiv.org/html/2501.19393v1

Github：

https://github.com/simplescaling/s1

结果发现并不是那么回事。

首先这个50美元咋来的？因为论文中提到用了16块H100 GPU，而且只花了26min，如果是租服务器的话，确实也就是几十美元。

但问题是，论文中并不是训练出了DeepSeek R1！

论文的核心内容是基于开源的Qwen2.5 - 32B模型，该模型是蒸馏出来的模型，32B只能算是中等参数模型，作为本次实验对比的R1和o1都是大几千亿参数的模型。用小数据集进行监督微调，而且微调后的参数数量跟之前基本保持一致，然后在特定任务上把性能优化了，而这些任务的性能表现可以媲美DeepSeek R1和OpenAI o1。

怎么经过中文博主翻译过来后，就成了50美元蒸馏出了DeepSeek R1?

以下的论文的解读（使用豆包解读）：

1. 研究背景与目标：语言模型性能提升多依赖训练时计算资源扩展，测试时缩放是新范式，OpenAI 的 o1 模型展示了其潜力，但方法未公开。本文旨在探寻实现测试时缩放和强推理性能的最简方法。
2. s1K 数据集构建
• 初始数据收集：依据质量、难度和多样性原则，从 16 个来源收集 59,029 个问题，涵盖现有数据集整理和新的定量推理数据集创建，用 Google Gemini Flash Thinking API 生成推理轨迹和解决方案，并进行去重和去污染处理。
• 最终样本选择：经质量、难度和多样性三步筛选得到 1,000 个样本的 s1K 数据集。质量筛选去除 API 错误和低质量样本；难度筛选依据两个模型的性能和推理轨迹长度排除过易问题；多样性筛选按数学学科分类，从不同领域采样，且倾向选择推理轨迹长的样本。
3. 测试时缩放方法
• 方法分类与提出：将测试时缩放方法分为顺序和并行两类，重点研究顺序缩放。提出预算强制（Budget forcing）方法，通过强制设定思考令牌的最大或最小数量，控制模型思考时间，引导模型检查答案、修正推理步骤。
• 基准对比：将预算强制与条件长度控制方法（令牌条件控制、步骤条件控制、类别条件控制）和拒绝采样进行对比。使用控制（Control）、缩放（Scaling）和性能（Performance）三个指标评估，结果表明预算强制在控制、缩放和最终性能上表现最佳。
4. 实验结果
• 实验设置：用 s1K 对 Qwen2.5-32B-Instruct 进行监督微调得到 s1-32B 模型，在 AIME24、MATH500 和 GPQA Diamond 三个推理基准上评估，并与 OpenAI o1 系列、DeepSeek r1 系列等模型对比。
• 性能表现：s1-32B 在测试时缩放中，性能随测试时计算资源增加而提升，在 AIME24 上超过 o1-preview 达 27%，且是最具样本效率的开源数据推理模型，接近 Gemini 2.0 在 AIME24 上的性能，验证了蒸馏过程的有效性。
5. 消融实验
• 数据相关：测试数据质量、多样性和难度组合的重要性。随机选择（仅质量）、仅多样性选择、仅难度选择（选最长推理轨迹样本）的数据集性能均不如 s1K，训练 59K 全量样本虽性能强但资源消耗大，证明 s1K 构建方法的有效性。
• 测试时缩放方法：预算强制在 AIME24 测试中控制完美、缩放良好、得分最高，“Wait” 作为扩展性能的字符串效果最佳。令牌条件控制在无预算强制时失败，步骤条件控制下模型可绕过计算约束，类别条件控制虽能提升性能但综合表现不如预算强制，拒绝采样呈现反向缩放趋势。
6. 讨论与展望
• 样本高效推理：众多研究致力于复制 o1 性能，本文通过 1,000 样本监督微调结合预算强制，构建出有竞争力的模型，推测预训练使模型具备推理能力，微调激活该能力。同时，介绍了相关基准和方法的发展情况。
• 测试时缩放：对比了并行和顺序测试时缩放方法，分析了预算强制的局限性，提出改进方向，如改进预算强制策略或结合强化学习探索新的测试时缩放方式 ，并指出并行缩放可作为突破顺序缩放限制的解决方案。