Author: ninehills
Labels: blog
Created: 2025-01-29T04:48:48Z
Link and comments: #121
DeepSeek R1 相关资料，全部被我个人阅读并精选，不是简单的罗列。
更新时间：2025.3.1
- 文章
- Reasoning best practices：【重点】 OpenAI 的思考模型最佳实践，必看。
- Greg 的 思考模型 Prompt：
- Understanding Reasoning LLMs：偏学术一些的文章。
- A Visual Guide to Reasoning LLMs：【重点】 非常棒的介绍，可视化做的很好。
- DeepSeek-R1 Dissection: Understanding PPO & GRPO Without Any Prior Reinforcement Learning Knowledge：GRPO 算法的非数学理解，适合非算法方向的。
- 论文
- DeepSeek R1：**【重点】**DeepSeek R1 本体论文，写的引人入胜。
- Kimi K1.5：Kimi K1.5 推理模型的思路和 R1 类似，在数据和奖励函数上有更多的细节。
- DeepSeek Math：GRPO 算法的提出，GRPO 相比于 PPO 节约了 Value Model，从而降低了训练的显存要求。
- SFT Memorizes, RL Generalizes: A Comparative Study of Foundation Model Post-training：对 SFT 和 RL 效果和应用方向的研究，但是结论仅供参考，还需要大量的实践。
- 最近有大量的 Reasoning Model 论文，但是经得起时间考验还没有，后续随着阅读逐渐增加。
- GRPO 开源实现：主要是要支持 reward function。
- trl grpo trainer：TRL 的 GRPOTrainer 实现
- veRL：字节开源的 RL 实现，也支持 GRPO reward function。
- Unsloth：**【重点】**Unsloth 的 GRPO 实现，可大幅减少显存使用。
- verifiers：封装好的一些验证器。
- R1 复刻项目、数据集
- open-r1：**【重点】**包括数据合成、SFT、GRPO RL 的代码。
- TinyZero：在简单的类24点问题上复刻 R1 RL 范式。
- SkyT1：蒸馏的 QwQ 的数据实现的 o1-like 模型。
- HuatuoGPT-o1：医学领域复刻 o1（开放代码、数据、论文和模型），但是用的还是 reward model，效果提升很少。可以用 R1 RL 范式看看能否有明显提升。
- simpleRL-reason：【重点】 在 8k MATH 数据集上复刻 R1-Zero 的范式
- open-r1-multimodal：R1 多模态的复刻项目
- open-thoughts：【重点】 最成熟的 R1 复刻项目，已经发布了 Bespoke-Stratos-17k dataset 和 OpenThoughts-114k dataset 项目，仅经过 SFT 即可以逼近 R1-distill 模型
- R1-Distill-SFT：1.68M 条 R1 蒸馏数据集
- grpo_demo.py：【重点】 基于 0.5B 模型的 RL demo，可以用来学习怎么训练。
- Chinese-DeepSeek-R1-Distill-data-110k：中文蒸馏数据集