DeepSeek R1 阅读清单

[ninehills]

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
  • Chinese-DeepSeek-R1-Distill-data-110k：【重点】 中文蒸馏数据集

[WangRongsheng]

更全面：https://github.com/AlpacaACE/o1-imitator

https://github.com/WangRongsheng/awesome-LLM-resourses?tab=readme-ov-file#open-o1

[Showyilu]

https://colab.research.google.com/drive/1bfhs1FMLW3FGa8ydvkOZyBNxLYOu0Hev?usp=sharing

[lunaczp]

nice