今天給大家帶來一篇重磅研究解讀，來自新加坡國立大學 和SeaAILab團隊 Zichen Liu 博士的最新工作，直擊 R1-Zero-Like 訓練的核心痛點，信息量爆炸！

這篇論文題目就非常硬核：《Understanding R1-Zero-Like Training: A Critical Perspective》（理解類 R1-Zero 訓練：批判性視角）。 他們沒有盲目跟風，而是選擇了 “先理解，再改進” 的硬核路線，深入剖析了 R1-Zero 這類訓練方法的兩大基石：基座模型和強化學習 (RL)

重磅發現一：基座模型才是真大佬？“頓悟時刻” 比你想的早！

文章一上來就拋出震撼彈： DeepSeek-V3-Base 竟然在 RL 微調之前就展現出了 “Aha moment”（頓悟時刻）！這直接顛覆了我們之前的認知，難道 RL 只是錦上添花？

更讓人驚訝的是，他們發現Qwen2.5 基座模型，這個 R1-Zero-like 訓練的 “網紅選手”， 即使不用 Prompt 模板，推理能力也強到離譜！平均 benchmark 分數直接飆升 ~60%！ 這簡直不像基座模型，更像是用 QA 數據集 SFT 過的模型！

這些現象都在暗示一個扎心的真相： 基座模型的預訓練階段可能已經注入了太多 “偏見”。 比如，自我反思能力、數學解題技巧，可能在 RL 獎勵信號強化之前就早已埋下種子。

等等，那模型回復越來越長，真的是 RL 的功勞嗎？這里面可能另有隱情…

重磅發現二： RL 環節暗藏 “長度偏見”？ GRPO 原來沒那么完美！

研究團隊深入扒了 RL 環節，尤其是 GRPO (Generalized Reward Policy Optimization) 算法，結果發現… GRPO 竟然是有偏見的！

具體來說，GRPO 的長度歸一化 (length normalization)會偏愛短的正確答案，卻對 長的錯誤答案更寬容！ 這就導致了“長度偏見”(length bias)。

更可怕的是，GRPO 的標準差歸一化 (std normalization)還會偏愛太簡單或太難的問題，而忽略難度適中的題目！ 這又帶來了“難度偏見”** (difficulty bias)

PPO 也躺槍？ 開源實現竟然也引入了 “長度偏見”！

更讓人意想不到的是，即使理論上PPO (Proximal Policy Optimization)算法是無偏的，但幾乎所有開源實現都通過計算masked_mean引入了 “長度偏見”！ 這簡直防不勝防！

劃重點： “長度偏見” 可能就是模型回復越來越長的幕后黑手之一！

利器： Dr. GRPO 橫空出世！兩行代碼解決 “偏見” 問題！

為了解決 GRPO 的 “偏見” 問題，研究團隊祭出大招 —— Dr. GRPO (Doctor GRPO)！ 只需兩行代碼的魔改： 移除長度歸一化和標準差歸一化 (圖中紅色部分)！

Dr. GRPO 不僅無偏，還能提升 Token 效率！因為它能有效阻止 GRPO 產生越來越長的錯誤答案，避免浪費計算資源。

R1-Zero 訓練極簡配方大公開！ 7B 模型 AIME 怒刷 SOTA！

基于以上分析，研究團隊給出了一個極簡的 R1-Zero 訓練配方，沒有花里胡哨的技巧：

• ?算法:Dr. GRPO (無偏優化器)

• ?數據:MATH level 3-5 難度問題

• ?模板:Qwen-Math

• ?算力:27 小時 * 8 * A100

結果震撼： 7B 模型在 Zero-RL setting 下，AIME 2024 怒刷 43.3 分 SOTA！

這還不是全部！ 這篇論文和代碼庫里還有更多有趣發現，例如：

a.基礎代數 (+ ? × ÷) 問題上的 RL 訓練，竟然能提升奧賽級別的推理能力！

b.Llama 模型也能 “頓悟”！

強烈建議大家去圍觀論文和代碼

論文地址:

https://github.com/sail-sg/understand-r1-zero/blob/main/understand-r1-zero.pdf

代碼地址:

https://github.com/sail-sg/understand-r1-zero

總結一下：這項研究不僅揭示了 R1-Zero-like 訓練的深層機制，更指出了現有方法的潛在問題，并提出了有效的改進方案。 對于想要深入理解和實踐 R1-Zero 訓練的朋友們來說，絕對是不可多得的寶藏資料！ 趕緊學起來吧！

作者信息：Zichen Liu, PhD student, RL believer @SeaAIL @NUSingapore

?星標AI寒武紀，好內容不錯過?

用你的贊和在看告訴我～

求贊