我要投稿

在可以 RL 的地方，将迎来更多「李世石时刻」

发布日期：2025-01-23 04:57:25 浏览次数： 2354

作者：特工宇宙

微信搜一搜，关注“特工宇宙”

在 AI 领域，强化学习（RL）作为 LLM 的关键训练方法，已成为行业共识。其灵感来自于 AlphaGo、AlphaStar、OpenAI Dota Five 等掌握了围棋、星际争霸II 和 Dota2 等复杂游戏。

得益于在 RL-LLM 方向的不断探索，Kimi 找到了简单却又行之有效的 RL 框架和训练方式，实现了满血版多模态 o1 水平的 k1.5。在 short-CoT 模式下，大幅超越了 GPT-4o 和 Claude 3.5 Sonnet 的水平；在 long-CoT 模式下，k1.5 已达到 OpenAI o1 正式版的水平。

无独有偶，DeepSeek 借鉴 Alpha-Zero 的方式，无需人工输入，直接做了 Zero-SFT 的 RL，也取得了非常不错的成绩。两支国内顶尖团队冥冥之中走到了一起，于同日发布的技术报告，在技术路线上也做到了互相验证。对此网友表示：感觉像是诸葛亮和周瑜相视一笑，摊开掌心，都写着一个“火”字。

Kimi 的做法更新鲜一些，采用了 AlphaGo-Master 的思路，通过提示工程构建的 CoT 轨迹进行轻量级的 SFT 预热。

回想当时在 o1 出现后，无数人想要复现，而对于 o1 的复现观点很多，甚至有专门的仓库收集相关论文和博客。

https://github.com/hijkzzz/Awesome-LLM-Strawberry.

其中，基于过程奖励模型（PRM）和蒙特卡洛树搜索（MCTS）的技术实现路径被热议。

而在许多从业者的复现过程中，这条路的也慢慢被人发现难以继续。一方面是在训练数据上往往只包含正确的内容和结论，但缺少作者对结论的思考过程，更重要的是缺少作者在得到正确结论前的失败尝试和总结；另一方面，对于大多数基座模型，其本身的 Self-Critic 就是一个较难的任务；再者，在真正实现树搜索的过程中，其细节和复杂度也相当的高。

https://zhuanlan.zhihu.com/p/13872128423

回到 Kimi，研究作者 @Flood Sung 在知乎上分享了自己的心路历程：原来并不需要将 AlphaGo 的 MCTS 用到 LLM 上，真正重要的是能够让模型自行搜索。并且，o1 并没有限制模型如何思考，做各种结构化的框架会限制模型能力，Kimi 要让模型能够像人一样自由的思考。因此关键在于：

1. 要训练 LLM 通过 RL 做题，有精确 Reward；

2. 不要采取结构化的方法，最终会限制住模型的效果，要让模型自己探索思考范式；

3. 思考包含了搜索过程，允许犯错。

此外，Kimi 在实际训练过程中，有一个重要的令人惊喜的发现：模型会随着训练提升 performance 也不断增加 token 数，这意味着 COT 是可以在 RL 训练过程中涌现的。

一位小特工总结性的表示：其实无论是 Kimi 还是 DeepSeek 的报告，都证明了一件事情，长的 COT 是可以自己涌现出来的，这就解决之前的一个很大假设问题，即大量的长 COT 数据要从哪里来。在这个意义上 Kimi 和 DeepSeek 同时终结了这个游戏，因为没有秘密了。

大道至简，给 AI 一个可衡量的目标，然后让其自己去探索，然后通过 RL 提升模型，仅此而已。

Kimi 没有依赖复杂的蒙特卡洛树搜索、价值函数或过程奖励模型等复杂技术，而是构建了一套 RL 框架（如下图）。

框架中提出了创新的 Partial rollouts 来做 Scaling，通过 Partial Rollouts 技术提升训练效率，允许模型在训练过程中复用之前的轨迹片段，避免从头生成新轨迹，从而节省计算资源。

此外，Kimi k1.5 技术报告中还包括了 long2short 技术，与训练推理混合部署框架。前者通过模型合并、DPO 等技术，将长链式思维模型里学习到的思维先验转移到短链式思维模型中，后者的混合框架则具有高效资源共享和管理，并能提升训练推理性能。由于篇幅有限，推荐可以去阅读下原报告。

https://github.com/MoonshotAI/Kimi-k1.5/blob/main/Kimi_k1.5.pdf

自 24 年下半年起，Kimi 似乎更加专注于如何实现 AGI 的技术上，k1.5 已经是 Kimi 连续第三个月带来 k 系列强化学习模型的升级。

新春佳节之际，前方捷报频传。各家在模型上做了持续的优化，这些技术上的迭代将在不远的将来转化为人人实际可用的产品。振奋人心的是，我们正一步步朝着 AGI 与 ASI 迈进。

我们即将迎来更多领域 AI 超越人类的「李世石时刻」，正如真格基金管理合伙人戴雨森说的那样：

“呵呵，那个 AI 和猴子一样聪明呢，真逗”。
“我擦，发生了什么？”

我们要越来越习惯在可以用 RL 的地方很快迎来 AI 超越人类的“李世石时刻”。

看到 Kimi k1.5 这一组数据的时候，我的第一反应是：we are running out of benchmarks。在 short-CoT 模式下，Kimi k1.5 的数学、代码、视觉多模态和通用能力，大幅超越了全球范围内短思考 SOTA 模型 GPT-4o 和 Claude 3.5 Sonnet 的水平。这在一年前绝对是难以想象的。同时 k1.5 在Long-CoT 下的表现，更加让我们看到 There is no wall，RL 还可以走很远。‍