DeepSeek-R1 + RooCline：极佳的强化学习AI编码代理！对标o1、蒸馏小模型本地部署

Hi，这里是Aitrainee，欢迎阅读本期新文章。

Deepseek R1正式发布。不是之前的Light版本，而是完整的R1。

性能与o1相当，还采用MIT开源协议，可以商用。现在能在Deepseek chat平台用，也提供API。

模型分两个版本：主力R1，和面向研究的R1-Zero。

R1-Zero没有监督微调，直接RL，是一个未经过对话偏好对齐监督微调的版本，专门为研究人员或希望自行微调模型的人提供。

正式发布的R1还是用了SFT阶段。

R1是671B参数的大模型，激活参数只有37B，基于Deepseek V3训练。特别强化了思维链和推理能力。

现在Cline或者Roocline中可以直接使用R1了。API获取：​​​https://platform.deepseek.com/usage​​

在Roocline中这样设置：

Roocline是什么？看这里：

​​全新免费的 RooCline 超越了Cline v3.1 ？！更快、更智能、更出色的Cline分叉！（自主AI编程、0门槛）​​

作为测试，我们用前面写过一篇文章《​​从0到1用AI做了个AI服务网站, 全程没写一行代码​​》，把开头的那个三合一提示词扔给他：

让他创建一个Saas网站原型。那么提示词比较长，可以通过上面这篇文章获得。

挺不错的，Saas框架、前后端、登陆注册、生图都还可以。

其次，这是它在Cline中速度、消耗表：

youtube@WorldofAI

Deepseek官网直接Chat使用：

此外，还有6个蒸馏小模型：Qwen 1.5B、7B，Llama 8B，Qwen 14B、32B，还有Llama 系列。

这些微调模型使用由DeepSeek-R1生成的样本进行训练，这大大降低了思考模型的构建门槛。

这个操作很暖心，让不同需求的用户都能用上，从笔记本到服务器，都能找到合适的版本。

测试结果超出预期，最强的是Llama-70B。GPQA Diamond 65.2，比Claude 3.5还高。编程上，LiveCodeBench 57.5，CodeForces 1633，几乎能和o1-mini比肩。

Ollama已经可以部署了，很快也能用VLLM本地运行。

R1价格很友好。API收费：输入每百万token 0.14美元（缓存命中），0.55美元（缓存未命中），输出2.19美元。对比o1：输入15美元，输出60美元。

再说完全靠强化学习，不需要监督微调这一条：

用硬编码规则计算奖励，而非使用学习型的奖励模型。学习型奖励模型可能会被强化学习策略“利用”或“作弊”，导致优化的结果偏离预期目标。就像AlphaZero，从零开始学习，不靠模仿人类。

训练过程中有意思的发现：模型的思考时间会自然增长，这不是预设的，是自发形成的。模型逐渐学会为复杂问题花费更多时间进行思考，体现出类似于“自我反思”和“探索行为”的能力。

这是高级智能行为的一种表现，表明模型具备了更深层次的推理能力。这种未被明确编码的能力，属于智能的“涌现特性”（emergent behavior）。

他们发明的GRPO比PPO更简单：去掉critic网络，用多个样本的平均奖励代替，简化了内存使用。这个方法，是他们2024年2月才提出的。

DeepSeek-R1-Zero的测试结果很有意思。

只靠强化学习，在AIME 2024上得到71.0分，MATH-500达到95.9分。虽然比o1-0912略低，但差距并不大。

特别是在MATH-500上，R1-Zero的95.9分超过了o1-mini的90.0分。这说明纯RL训练的模型，也能掌握复杂的数学推理。

LiveCode Bench上得到73.3分，比o1-mini的60.0分高出不少。

这个结果很重要：它证明了，不需要大量标注数据，单靠强化学习，AI也能学会思考和推理。这可能会改变我们训练AI的方式。

R1，仅用几个月就达到了闭源大厂的水平，还提供了更实惠的价格。

最后，据官方所述，DeepSeek-R1还有几个地方需要提升，他们将继续努力：

通用能力上，函数调用、多轮对话、角色扮演和JSON输出，都不如V3版本。团队打算用长链推理来改进。

语言处理有点意思。现在主要针对中英文优化，其他语言容易混杂。比如用德语问，它可能用英语想，再用德语答。

提示词很敏感。少样本提示反而会影响性能，建议直接描述问题和输出格式，效果更好。

软件工程任务上，评估太慢影响了RL训练。计划用拒绝采样或异步评估来提速。

本文转载自 ​​AI进修生​​，作者： Aitrainee