成本不到150元！李飛飛等26分鐘訓(xùn)出個(gè)推理模型，媲美o1和R1，秘訣：用蒸餾

作者：集小微 02-07 23:01

相關(guān)輿情 AI解讀生成海報(bào)

來源：量子位 #GitHub# #李飛飛# #斯坦福#

7898

衡宇發(fā)自凹非寺

量子位 | 公眾號(hào) QbitA

成本不到150元，訓(xùn)練出一個(gè)媲美DeepSeek-R1和OpenAI o1的推理模型？！

這不是洋蔥新聞，而是AI教母李飛飛、斯坦福大學(xué)、華盛頓大學(xué)、艾倫人工智能實(shí)驗(yàn)室等攜手推出的最新杰作：s1。

在數(shù)學(xué)和編程能力的評(píng)測(cè)集上，s1的表現(xiàn)比肩DeepSeek-R1和o1。

而訓(xùn)一個(gè)這樣性能的模型，團(tuán)隊(duì)僅僅用了16個(gè)英偉達(dá)H100，訓(xùn)練耗時(shí)26分鐘。

據(jù)TechCrunch，這個(gè)訓(xùn)練過程消耗了不到50美元的云計(jì)算成本，約合人民幣364.61元；而s1模型作者之一表示，訓(xùn)練s1所需的計(jì)算資源，在當(dāng)下約花20美元（約145.844元）就能租到。

怎么做到的？？？

s1團(tuán)隊(duì)表示，秘訣只有一個(gè)：蒸餾。

簡(jiǎn)單來說，團(tuán)隊(duì)以阿里通義團(tuán)隊(duì)的Qwen2.5- 32B-Instruct作為基礎(chǔ)模型，通過蒸餾谷歌DeepMind的推理模型Gemini 2.0 Flash Thinking實(shí)驗(yàn)版，最終得到了s1模型。

為了訓(xùn)練s1，研究團(tuán)隊(duì)創(chuàng)建了一個(gè)包含1000個(gè)問題（精心挑選那種）的數(shù)據(jù)集，且每個(gè)問題都附有答案，以及Gemini 2.0 Flash Thinking實(shí)驗(yàn)版的思考過程。

目前，項(xiàng)目論文《s1: Simple test-time scaling》已經(jīng)掛上arXiv，模型s1也已在GitHub上開源，研究團(tuán)隊(duì)提供了訓(xùn)練它的數(shù)據(jù)和代碼。

150元成本，訓(xùn)練26分鐘

s1團(tuán)隊(duì)搞這個(gè)花活，起因是OpenAI o1展現(xiàn)了Test-time Scaling的能力。

即「在推理階段通過增加計(jì)算資源或時(shí)間，來提升大模型的性能」，這是原本預(yù)訓(xùn)練Scaling Law達(dá)到瓶頸后的一種新Scaling。

但OpenAI并未公開是如何實(shí)現(xiàn)這一點(diǎn)的。

在復(fù)現(xiàn)狂潮之下，s1團(tuán)隊(duì)的目標(biāo)是尋找到Test-time Scaling的簡(jiǎn)單方法。

過程中，研究人員先構(gòu)建了一個(gè)1000個(gè)樣本的數(shù)據(jù)集，名為s1K。

起初，在遵循質(zhì)量、難度、多樣性原則的基礎(chǔ)上，這個(gè)數(shù)據(jù)集收集了來自MATH、AGIEval等諸多來源的59029個(gè)問題。

經(jīng)去重、去噪后，通過質(zhì)量篩選、基于模型性能和推理痕跡長(zhǎng)度的難度篩選，以及基于數(shù)學(xué)學(xué)科分類的多樣性篩選，最終留下了一個(gè)涵蓋1000個(gè)精心挑選過的問題的數(shù)據(jù)集。

且每個(gè)問題都附有答案，以及谷歌Gemini 2.0 Flash Thinking實(shí)驗(yàn)版的模型思考過程。

這就是最終的s1K。

研究人員表示，Test-time Scaling有2種。

第1種，順序Scaling，較晚的計(jì)算取決于焦躁的計(jì)算（如較長(zhǎng)的推理軌跡）。

第2種，并行Scaling，be like計(jì)算獨(dú)立運(yùn)行（如多數(shù)投票任務(wù)）。

s1團(tuán)隊(duì)專注于順序這部分，原因是團(tuán)隊(duì)“從直覺上”認(rèn)為它可以起到更好的Scaling——因?yàn)楹竺娴挠?jì)算可以以中間結(jié)果為基礎(chǔ)，從而允許更深入的推理和迭代細(xì)化。

基于此，s1團(tuán)隊(duì)提出了新的順序Scaling方法，以及對(duì)應(yīng)的Benchmark。

研究過程中，團(tuán)隊(duì)提出了一種簡(jiǎn)單的解碼時(shí)間干預(yù)方法budget forcing，在測(cè)試時(shí)強(qiáng)制設(shè)定最大和/或最小的思考token數(shù)量。

具體來說，研究者使用了一種很簡(jiǎn)單的辦法：

直接添加“end-of-thinking token分隔符”和“Final Answer”，來強(qiáng)制設(shè)定思考token數(shù)量上限，從而讓模型提前結(jié)束思考階段，并促使它提供當(dāng)前思考過程中的最佳答案。

為了強(qiáng)制設(shè)定思考過程的token數(shù)量下限，團(tuán)隊(duì)又禁止模型生成“end-of-thinking token分隔符”，并可以選擇在模型當(dāng)前推理軌跡中添加“wait”這個(gè)詞，鼓勵(lì)它多想想，反思反思當(dāng)前的思考結(jié)果，引導(dǎo)最佳答案。

以下是budget forcing這個(gè)辦法的一個(gè)實(shí)操示例：

團(tuán)隊(duì)還為budget forcing提供了baseline。

一是條件長(zhǎng)度控制方法（Conditional length-control methods），該方法依賴于，在提示中告訴模型它應(yīng)該花費(fèi)多長(zhǎng)時(shí)間來生成輸出。

團(tuán)隊(duì)按顆粒度將它們分為Token-conditional控制、步驟條件控制和類條件控制。

Token-conditional控制：在提示詞中，指定Thinking Tokens的上限；
步驟條件控制：指定一個(gè)思考步驟的上限。其中每個(gè)步驟約100個(gè)tokens；
類條件控制：編寫兩個(gè)通用提示，告訴模型思考短時(shí)間或長(zhǎng)時(shí)間。

二是拒絕抽樣（rejection sampling）。

即在抽樣過程中，若某一生成內(nèi)容符合預(yù)先設(shè)定的計(jì)算預(yù)算，就停止計(jì)算。

該算法通過其長(zhǎng)度來捕捉響應(yīng)的后驗(yàn)分布。

而s1模型的整個(gè)訓(xùn)練過程，只用了不到半個(gè)小時(shí)——

團(tuán)隊(duì)在論文中表示，他們使用Qwen2.532B-Instruct模型在s1K數(shù)據(jù)集上進(jìn)行SFT，使用16個(gè)英偉達(dá)H100，訓(xùn)練耗時(shí)26分鐘。

s1研究團(tuán)隊(duì)的Niklas Muennighoff（斯坦福大學(xué)研究員）告訴TechCrunch，訓(xùn)練s1所需的計(jì)算資源，在當(dāng)下約花20美元就能租到。

研究新發(fā)現(xiàn)：頻繁抑制思考會(huì)導(dǎo)致死循環(huán)

訓(xùn)出模型后，團(tuán)隊(duì)選用3個(gè)推理基準(zhǔn)測(cè)試，把s1-32B和OpenAI o1系列、DeepSeek-R1系列、阿里通義Qwen2.5系列/QWQ、昆侖萬維Sky系列、Gemini 2.0 Flash Thinking實(shí)驗(yàn)版等多個(gè)模型進(jìn)行對(duì)比。

3個(gè)推理基準(zhǔn)測(cè)試如下：