10美元成功复现DeepSeek顿悟时刻，3B模型爆发超强推理！微软论文实锤涌现

文章预览

   新智元报道   编辑：Aeneas 好困 【新智元导读】 不到10美元，3B模型就能复刻DeepSeek的顿悟时刻了？来自荷兰的开发者采用轻量级的RL算法Reinforce-Lite，把复刻成本降到了史上最低！同时，微软亚研院的一项工作，也受DeepSeek-R1启发，让7B模型涌现出了高级推理技能。 复刻DeepSeek的神话，还在继续。 之前，UC伯克利的博士只用30美元，就复刻了DeepSeek中的顿悟时刻，震惊圈内。 这一次，来自荷兰阿姆斯特丹的研究人员Raz，再次打破纪录，把复刻成本降到了史上最低—— 只要10美元，就能复现DeepSeek顿悟时刻！ Raz本人也表示，自己惊讶极了。 即使是一个非常简单的强化学习设置，并没有太多RL算法的复杂性（比如PPO、TRPO、GRPO等），也能在有限的计算资源下产生涌现的结果。 在具体设计过程中，他特别考虑强化学习中LLM中的应用和传统强化学习问题 ………………………………