原文地址：Understanding Reasoning LLMs，by Sebastian Raschka, on 2025-02-05

理解推理型大语言模型：构建与优化推理模型的方法与策略

本文将介绍构建推理模型的四种核心路径，阐释如何为大语言模型（LLM）赋予并强化推理能力。希望本文能提供有价值的洞见，帮你在该领域快速迭代的学术研究与行业热潮中理清脉络。

2024 年，大语言模型领域的专业化趋势愈发明显。除了预训练与微调技术的持续演进，检索增强生成（RAG）、代码助手等垂直场景应用也快速崛起。我预计这一趋势将在 2025 年进一步加速，行业会更聚焦于领域与场景专属的优化（即 “专业化”）。

图 1：第 1-3 阶段是大语言模型的通用开发流程，第 4 阶段则是针对具体场景对模型进行专业化定制

推理模型的开发正是这类专业化方向之一。我们通过优化模型，使其擅长解决需要中间推导步骤的复杂任务，比如逻辑谜题、高等数学与编程挑战。但这种专业化并不会替代其他大语言模型的应用场景；将通用大模型改造为推理模型也会带来一些短板，后文会详细展开。

先简要预告本文的核心内容：

• 阐释 “推理模型” 的定义

• 分析推理模型的优势与局限

• 拆解 DeepSeek R1 的技术实现路径

• 介绍构建与优化推理模型的四种主流方案

• 分享 DeepSeek V3 与 R1 发布后，大语言模型行业格局的观察

• 给出低成本开发推理模型的实践建议

希望在 AI 高速发展的 2025 年，本文能为你带来切实的帮助。

如何定义 “推理模型”？

如果你从事 AI（或广义的机器学习）相关工作，一定对各种模糊且充满争议的术语定义不陌生，“推理模型” 也不例外。总会有论文先给出一个正式定义，后续的研究又会重新改写定义，循环往复。

在本文中，我将 “推理” 定义为：回答问题时需要经过多步复杂生成、产出中间推导过程的能力。
举个例子，“法国的首都是哪里？” 这类事实性问答不涉及推理；而 “一列火车以 60 英里 / 小时的速度行驶 3 小时，总行驶距离是多少？” 就需要基础的推理 —— 模型需要先识别出距离、速度、时间三者的关系，再推导得出答案。

图 2：普通大语言模型可能只输出简短答案（左），而推理模型通常会给出中间步骤，展现部分思考过程。（注：很多未专门针对推理优化的大语言模型，同样能在回答中输出中间推理步骤。）

如今绝大多数大语言模型都具备基础推理能力，可以解答上述的火车行程类问题。因此当下我们所说的 “推理模型”，通常特指擅长解决更复杂推理任务的模型，比如逻辑解谜、智力问答、数学证明等。

此外，当前市面上标注为 “推理模型” 的产品，大多会在回复中包含 “思考” 过程。至于大语言模型是否真的在 “思考”，则是另一个独立的讨论议题。

推理模型的中间步骤有两种呈现形式：
第一种是显式输出，即像上图一样把推导过程直接展示在回复中；
第二种是隐式执行，比如 OpenAI 的 o1 模型，会在内部运行多轮带中间步骤的迭代，但过程不对用户可见。

图 3：“推理” 体现在两个层面：1）模型内部通过多步中间过程处理输入、生成结果；2）模型在面向用户的回复中呈现一定的推理逻辑。

什么时候该用推理模型？

明确了推理模型的定义后，我们可以进入更核心的话题：如何构建与优化面向推理任务的大语言模型。但在深入技术细节之前，有必要先厘清：推理模型的真实适用场景是什么。

推理模型专为复杂任务设计，比如解逻辑谜题、攻克高等数学问题、处理高难度编程任务。但对于摘要生成、翻译、知识类问答等简单任务，推理模型并非必需。
事实上，所有场景都强行使用推理模型反而会低效且昂贵：推理模型通常调用成本更高、输出更冗长，有时还会因为 “过度思考” 而更容易出错。这里也适用一个简单原则：根据任务选择合适的工具（或大语言模型类型）。

推理模型的核心优势与局限总结如下图：

图 4：推理模型的核心优劣势

DeepSeek 训练流程概览

在正式介绍四种构建推理模型的主流方法前，我先基于 DeepSeek R1 的技术报告，简要梳理它的训练流水线。这份报告既是一个精彩的案例，也可以作为开发推理型大语言模型的参考蓝图。

需要注意的是，DeepSeek 并非只发布了一款 R1 推理模型，而是推出了三个不同版本：DeepSeek-R1-Zero、DeepSeek-R1 与 DeepSeek-R1-Distill。

结合技术报告的描述，我将这三款模型的开发流程整理成了下图：

图 5：DeepSeek R1 技术报告中三款推理模型的开发流程

接下来我们先简要梳理图中的流程，更详细的技术细节会在下一节四种构建方法中展开。

1. DeepSeek-R1-Zero：该模型基于 2024 年 12 月发布的 6710 亿参数预训练基座 DeepSeek-V3 开发。团队采用双奖励机制的强化学习（RL）进行训练，由于跳过了基于人类反馈的强化学习（RLHF）中常规的监督微调（SFT）环节，这种方式也被称为 “冷启动” 训练。

2. DeepSeek-R1：这是 DeepSeek 的旗舰推理模型，在 DeepSeek-R1-Zero 的基础上迭代而来。团队通过额外的监督微调阶段与多轮强化学习训练，进一步优化了这款 “冷启动” 的 R1-Zero 模型。

3. DeepSeek-R1-Distill：DeepSeek 团队利用前序步骤生成的监督微调数据，对 Qwen、Llama 等开源模型进行微调，提升其推理能力。这并非传统意义上的知识蒸馏，而是用大模型（6710 亿参数的 DeepSeek-R1）的输出作为训练数据，让更小的模型（Llama 8B/70B、Qwen 1.5B–30B）进行监督微调。

构建与优化推理模型的四种核心方法

本节将梳理当前提升大语言模型推理能力、打造专用推理模型（如 DeepSeek-R1、OpenAI o1/o3 等）的主流技术方案。

注：o1 与 o3 的具体技术细节仅 OpenAI 内部知晓，业内普遍推测它同时结合了推理侧优化与训练侧优化两类技术。

1. 推理时算力扩展

提升大语言模型推理能力（或任何通用能力）的第一种思路，是推理时算力扩展。这个术语有多重含义，在本文语境下，它指的是通过提升推理阶段的计算资源投入，来优化输出质量。

可以用一个通俗的类比：人类面对复杂问题时，思考时间越充分，往往能给出更完善的答案。同理，我们也可以通过技术手段，让大语言模型在生成答案时 “多思考一会儿”。（至于大语言模型算不算真正的 “思考”，则是另一个议题。）

推理时算力扩展最基础的实现方式是精巧的提示工程。经典代表就是思维链（CoT）提示：在输入提示中加入 “一步步思考” 这类指令，引导模型生成中间推理步骤，而非直接跳到最终答案。对于复杂问题，这种方法通常（但并非绝对）能提升答案的准确率。
（注：对于 “法国首都是哪里” 这类简单知识类问题，用思维链提示毫无意义 —— 这也可以作为一个判断标准：如果一个问题用思维链提示才有收益，那它才值得用推理模型来处理。）

图 6：经典思维链提示示例，出自 2022 年论文《Large Language Models are Zero-Shot Reasoners》（https://arxiv.org/abs/2205.11916）

上述思维链方法之所以属于推理时算力扩展，是因为它生成了更多输出 token，推高了推理的计算成本。

推理时算力扩展的另一类实现方式是投票与搜索策略。最简单的是多数投票法：让大语言模型生成多个答案，再通过投票选出出现次数最多的结果。同理，也可以用束搜索、其他搜索算法来生成更优的回复。

关于这类策略的更多细节，我非常推荐阅读《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》这篇论文，我在之前的《2024 年值得关注的 AI 论文（下）》（https://magazine.sebastianraschka.com/p/ai-research-papers-2024-part-2）一文中也做过解读。

图 7：不同搜索类方法均基于过程奖励模型筛选最优答案。图源标注改自论文《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》，https://arxiv.org/abs/2408.03314

DeepSeek R1 的技术报告将过程奖励模型、蒙特卡洛树搜索这类常见的推理时扩展方法归为 “未达预期的尝试”。这意味着除了 R1 模型本身天然会生成更长回复（相比 V3 基座模型，这本身就是一种隐式的推理时算力扩展），DeepSeek 并没有在模型内部显式集成这类技术。

不过，显式的推理时算力扩展通常在应用层实现，而非内置在模型本身，因此 DeepSeek 的产品端也可能仍在使用这类方案。

我推测 OpenAI 的 o1 与 o3 模型都采用了推理时算力扩展，这也能解释为什么它们比 GPT-4o 这类模型贵得多。除了推理侧优化，o1 与 o3 大概率也采用了和 DeepSeek R1 类似的强化学习训练流水线。下两节会详细介绍强化学习相关内容。

2. 纯强化学习（RL）

DeepSeek R1 论文中我个人认为最亮眼的发现，就是：推理行为可以通过纯强化学习自发涌现。我们来详细拆解这一点。

前文提到，DeepSeek 开发了三款 R1 系列模型。第一款 DeepSeek-R1-Zero 基于 2024 年 12 月发布的通用预训练大模型 DeepSeek-V3 基座开发。
和常规的强化学习流水线（先做监督微调，再做强化学习）不同，DeepSeek-R1-Zero 完全跳过了初始的监督微调阶段，仅通过强化学习完成训练，如下图所示。

图 8：DeepSeek-R1-Zero 模型开发流程

这套强化学习流程和常用的 RLHF（基于人类反馈的强化学习）逻辑相似 ——RLHF 通常用于大模型的偏好对齐。（我在《大语言模型训练：RLHF 及其替代方案》一文中详细讲解过 RLHF。）
但核心区别在于：DeepSeek-R1-Zero 跳过了用于指令对齐的监督微调环节，这也是它被称为 “纯” 强化学习的原因。（当然，大语言模型语境下的强化学习，和传统强化学习差异很大，这是另一个话题了。）

在奖励设计上，它没有采用基于人类偏好训练的奖励模型，而是设置了两类奖励：准确性奖励与格式奖励。

• 准确性奖励：针对编程题用 LeetCode 编译器验证答案正确性，针对数学题用确定性规则校验结果。

• 格式奖励：通过大语言模型裁判，确保回复符合指定格式，比如将推理步骤放在 \\ 标签内。

令人意外的是，仅靠这套机制，大语言模型就演化出了基础推理能力。研究团队观察到了一个 “顿悟时刻”：模型开始自发在回复中生成推理轨迹，而并没有人明确教它这么做，如下图所示。

图 9：DeepSeek R1 技术报告（https://arxiv.org/abs/2501.12948）中展示的 “顿悟时刻” 涌现现象

尽管 R1-Zero 算不上顶级性能的推理模型，但它确实能生成中间 “思考” 步骤、具备推理能力。这证明了纯强化学习就可以孵化出推理模型，而 DeepSeek 团队是首个（至少是首个公开发表成果的团队）验证这一结论的团队。

本专栏是读者支持的独立创作。如果你想收到新文章、支持我的创作，欢迎免费订阅或付费订阅。

输入你的邮箱…
订阅

3. 监督微调 + 强化学习（SFT + RL）

接下来我们看 DeepSeek 的旗舰推理模型 DeepSeek-R1，它是构建推理模型的典型范本。这款模型在 DeepSeek-R1-Zero 的基础上，叠加了额外的监督微调（SFT）与强化学习（RL），进一步提升了推理性能。

实际上，强化学习之前先做监督微调是行业常规操作，标准 RLHF 流水线就是如此。OpenAI 的 o1 大概率也采用了类似的开发路径。

图 10：DeepSeek-R1 模型开发流程

如上图所示，DeepSeek 团队先用 DeepSeek-R1-Zero 生成了所谓的 “冷启动” 监督微调数据 —— 之所以叫 “冷启动”，是因为生成这些数据的 R1-Zero 本身从未经过任何监督微调训练。

基于这批冷启动监督微调数据，DeepSeek 先对模型做了指令微调，再进入下一轮强化学习训练。这轮强化学习保留了 R1-Zero 阶段的准确性奖励与格式奖励，同时新增了一致性奖励，避免模型在回复中混用多种语言。

强化学习阶段结束后，团队又进行了一轮监督微调数据采集：用最新的模型检查点生成 60 万条思维链监督微调样本，再用 DeepSeek-V3 基座模型补充 20 万条知识类监督微调样本。

随后，团队用这总计 80 万条样本对 DeepSeek-V3 基座做指令微调，再进行最终一轮强化学习。这一轮中，数学与编程题依然用规则化方法计算准确性奖励，其他类型问题则引入人类偏好标注。
整体来看，这套流程和常规 RLHF 非常接近，区别仅在于：监督微调数据包含了更多思维链样本，强化学习除了人类偏好奖励，还加入了可验证的规则化奖励。

最终的 DeepSeek-R1 模型，相比 R1-Zero 性能有显著提升，对比如下表：

图 11：OpenAI o1 与 DeepSeek R1 系列模型的基准测试对比。图源标注改自 DeepSeek-R1 技术报告，https://arxiv.org/abs/2501.12948

4. 纯监督微调（SFT）与模型蒸馏

到目前为止，我们已经介绍了三种构建推理模型的核心路径：

1. 推理时算力扩展：无需训练、不改模型本身，仅通过推理侧优化提升推理能力。

2. 纯强化学习：代表是 DeepSeek-R1-Zero，证明了无需监督微调，推理能力也能通过强化学习自发涌现。

3. 监督微调 + 强化学习：打造了 DeepSeek-R1 这款旗舰推理模型。

剩下的第四种路径，就是模型蒸馏。

有意思的是，DeepSeek 也发布了通过 “蒸馏” 训练的小模型。但在大语言模型领域，蒸馏并不完全等同于深度学习里经典的知识蒸馏。
传统知识蒸馏（我在《机器学习问答》一书第 6 章简要介绍过）是让小型学生模型，同时学习大型教师模型的输出概率分布与目标数据集的标注。

而这里的 “蒸馏”，指的是用大模型生成的监督微调数据集，对小型大语言模型（比如 Llama 8B/70B、Qwen 2.5 全系列 0.5B 到 32B）做指令微调。
具体来说，这些 “教师” 大模型指的是 DeepSeek-V3 和 DeepSeek-R1 的中间检查点；蒸馏所用的监督微调数据，和上一节训练 DeepSeek-R1 的是同一批。

为了更清晰地展示这个流程，我在下图中标出了蒸馏对应的环节：

图 12：DeepSeek-R1-Distill 系列模型开发流程

为什么要开发这些蒸馏模型？在我看来主要有两个原因：

1. 小模型效率更高：运行成本更低，还能在更低配置的硬件上跑起来，对广大研究者和技术爱好者非常友好。

2. 纯监督微调的效果参照：这些蒸馏模型是很好的基准，可以验证不借助强化学习、仅靠监督微调，模型的推理能力能达到什么水平。

下表对比了蒸馏模型、其他主流模型，以及 DeepSeek-R1-Zero、DeepSeek-R1 的性能：

图 13：蒸馏模型与非蒸馏模型的基准测试对比。图源标注改自 DeepSeek-R1 技术报告，https://arxiv.org/abs/2501.12948

可以看到，蒸馏模型的性能明显弱于完整的 DeepSeek-R1，但相比体量小几个数量级的 DeepSeek-R1-Zero，表现却出人意料地好。另外值得注意的是，它们的表现和 o1-mini 相当接近 —— 我猜测 o1-mini 本身可能也是 o1 的类似蒸馏版本。

在结束这一小节前，还有一组很有意思的对比：DeepSeek 团队验证了一个问题：DeepSeek-R1-Zero 上观察到的推理涌现现象，在小模型上是否也能复现？
他们把 R1-Zero 的纯强化学习方案，直接用在了 Qwen-32B 模型上，实验结果如下表所示。表中的 QwQ-32B-Preview 是 Qwen 团队基于 Qwen 2.5 32B 开发的推理参照模型（其训练细节并未公开）。这组实验能帮我们进一步判断：纯强化学习能否在远小于 DeepSeek-R1-Zero 的模型上催生出推理能力。

图 14：32B 参数量级别下，蒸馏与纯强化学习的基准测试对比。图源标注改自 DeepSeek-R1 技术报告，https://arxiv.org/abs/2501.12948

实验结果很有意思：对于小模型，蒸馏的效果远好于纯强化学习。这也印证了一个观点：仅靠强化学习，不足以在这个体量的模型上催生出强推理能力；而对小模型来说，用高质量推理数据做监督微调，是更高效的策略。

严谨起见，我认为表格里还应该补充两组对照：

1. 按 DeepSeek-R1 的模式，用 SFT+RL 训练 Qwen-32B，对比纯 RL、纯 SFT 的收益，看强化学习与监督微调结合能带来多大提升。

2. 按蒸馏模型的模式，用纯 SFT 训练 DeepSeek-V3 基座，直接对比 RL+SFT 和纯 SFT 的效果差异。

本专栏是读者支持的独立创作。如果你想收到新文章、支持我的创作，欢迎免费订阅或付费订阅。

输入你的邮箱…
订阅

方法总结

本节我们梳理了构建与优化推理模型的四种策略，总结如下：

1. 推理时算力扩展：无需额外训练，但会推高推理成本。当用户量或查询规模增长时，大规模部署的开销会显著上升。但对于本身性能已经很强的模型，它是提升表现的零门槛方案。我高度怀疑 o1 采用了推理时算力扩展，这也是它单 token 成本远高于 DeepSeek-R1 的原因之一。

2. 纯强化学习：研究价值很高，能帮我们理解 “推理作为涌现行为” 的本质。但在实际模型开发中，RL+SFT 的组合是更优选择，能打造出性能更强的推理模型。我推测 o1 同样采用了 RL+SFT 的训练方式。更具体地说，我认为 o1 的基座模型体量弱于 DeepSeek-R1，但通过 RL+SFT 与推理时算力扩展弥补了差距。

3. RL+SFT 组合：是打造高性能推理模型的核心路径，DeepSeek-R1 就是这套方案的优秀范本。

4. 模型蒸馏：非常适合打造体积小、效率高的推理模型。但它的局限在于无法推动技术创新、无法孵化下一代推理模型 —— 因为蒸馏永远依赖已有的、更强的模型来生成监督微调数据。

我认为接下来的一个重要发展方向，是把 RL+SFT（方案 3）和推理时算力扩展（方案 1）结合起来。OpenAI 的 o1 大概率就是这么做的，只不过它的基座模型弱于 DeepSeek-R1—— 这也解释了为什么 DeepSeek-R1 表现出色，同时推理成本还更低。

关于 DeepSeek R1 的几点思考

最近很多人问我怎么看 DeepSeek-R1 系列模型。简而言之：我认为这是一项非常出色的成果。作为一名研究工程师，我尤其欣赏它详实的技术报告，里面的方法论细节很有学习价值。

其中最有启发性的结论，就是推理能力可以通过纯强化学习自发涌现。另外，DeepSeek 以宽松的 MIT 开源协议开放了模型权重，限制比 Meta 的 Llama 系列还少，这点也非常难得。

和 o1 相比如何？

DeepSeek-R1 比 o1 更强吗？我认为两者整体处于同一水平梯队。但 DeepSeek-R1 的推理效率明显更高，这说明 DeepSeek 可能把更多成本投入在了训练环节，而 OpenAI 的 o1 则更依赖推理时算力扩展。

当然，直接对比 o1 和 DeepSeek-R1 并不容易，因为 OpenAI 几乎没有公开 o1 的技术细节。比如我们完全不清楚：

• o1 是不是混合专家（MoE）架构？

• o1 的参数量到底有多大？

• o1 会不会只是 GPT-4o 的小幅优化版，只做了少量 RL+SFT，主要靠大规模推理时算力扩展提分？

在这些信息缺失的前提下，直接对比本质上是 “苹果和橘子” 的不公平比较。

DeepSeek-R1 的训练成本

另一个热议话题是 DeepSeek-R1 的开发成本。有人说训练成本约 600 万美元，但这个数字其实混淆了 DeepSeek-V3（去年 12 月发布的基座模型）和 DeepSeek-R1。

600 万美元的估算，来自 2024 年 12 月对 DeepSeek-V3 最终训练轮次的 GPU 时耗测算，按每 GPU 小时 2 美元的租金计算得出。

而 DeepSeek 团队从未公开过 R1 的具体训练时耗或开发成本，所有相关估算都只是推测。

无论如何，DeepSeek-R1 都是开源推理模型的重要里程碑，它的推理效率优势，也让它成为 OpenAI o1 之外极具竞争力的选择。

低成本开发推理模型

即便从开源基座模型（比如 DeepSeek-V3）起步，打造 DeepSeek-R1 级别的推理模型，往往也需要数十万到数百万美元的投入。这对预算有限的研究者或工程师来说，难免望而却步。

好消息：蒸馏方案性价比很高

幸运的是，模型蒸馏提供了性价比高得多的替代方案。DeepSeek 团队的 R1 蒸馏系列模型已经验证了这一点：这些模型体量远小于完整的 DeepSeek-R1，却拥有出人意料的强劲推理表现。
不过即便如此，蒸馏也不算完全低成本 —— 他们的蒸馏流程用了 80 万条监督微调样本，依然需要不少算力。

有意思的是，就在 DeepSeek-R1 发布前几天，我看到了 Sky-T1 项目：一个小团队只用 1.7 万条监督微调样本，就训练出了一款 320 亿参数的开源推理模型，总成本仅 450 美元，比大多数 AI 会议的注册费还便宜。

这个案例说明：大规模训练成本高昂，但小规模、针对性的微调，也能以极低的成本取得亮眼的效果。

图 15：图源《Sky-T1：450 美元内训练属于你的 o1-preview 级别模型》，https://novasky-ai.github.io/posts/sky-t1/

从基准测试来看，Sky-T1 的表现和 o1 大致相当，考虑到它极低的训练成本，这个成果非常惊人。

低成本纯强化学习：TinyZero

Sky-T1 走的是模型蒸馏路线，而在纯强化学习领域，也有很有意思的低成本实践。其中代表就是 TinyZero：一款 30 亿参数的模型，复现了 DeepSeek-R1-Zero 的思路（补充一句：训练成本不到 30 美元）。

令人意外的是，即便只有 30 亿参数，TinyZero 也展现出了一定的自验证涌现能力。这也佐证了：即便在小模型上，纯强化学习也能催生出推理能力。

TinyZero 的代码仓库提到相关研究报告还在撰写中，我会持续关注后续进展。

图 16：图源 TinyZero 代码仓库（https://github.com/Jiayi-Pan/TinyZero），展示了模型具备自验证能力。（如果能加上基座模型的回复作为对照会更有参考价值。）
注：该 GitHub 页面解析失败，相关信息仅基于仓库名称与原文引用内容整理。

以上两个项目证明：即便预算有限，也能开展推理模型的相关研究与实践。它们分别复现了 DeepSeek-R1 的两条技术路线 ——TinyZero 主打纯强化学习，Sky-T1 主打纯监督微调。如果能把这些思路进一步延伸拓展，相信会有更多有趣的成果。

超越传统监督微调：旅程学习

去年我接触到一个很有意思的方向，出自论文《o1 复现之旅：战略进展报告（第一部分）》。别看标题叫 “复现 o1”，实际上论文并没有真正复现 o1，而是提出了一种优化蒸馏（纯监督微调）过程的新思路。

论文的核心概念是旅程学习，和传统的捷径学习相对应：

• 捷径学习：就是传统的指令微调方式，只用正确的解题路径来训练模型。

• 旅程学习：训练数据中同时包含错误的解题路径，让模型从错误中学习。

这个思路和 TinyZero 纯强化学习中观察到的自验证能力有相通之处，但它完全通过监督微调实现。让模型接触错误的推理路径与修正过程，也能强化模型的自我纠错能力，从而提升推理模型的可靠性。

图 17：与传统捷径学习不同，旅程学习在监督微调数据中加入了错误解题路径。图源标注改自论文《o1 复现之旅：战略进展报告（第一部分）》，https://arxiv.org/abs/2410.18982

这是一个很有前景的未来方向，尤其适合预算有限、难以承担强化学习算力成本的推理模型开发场景。

总而言之，当前推理模型领域正涌现出大量精彩的研究与实践，相信未来几个月还会有更多令人兴奋的成果出现。