7G显存，训练自己的DeepSeek-R1，GRPO资源暴降80%

作者
DeepSeek-R1自发布以来，已出现众多开源复现（Open-R1，Tiny-Zero、simpleRL-reason、Mini-R1等等），但受限于GPU条件限制，有小伙伴可能没run起来~
此刻，不用为GPU发愁，Unsloth AI黑科技来了，使用 Unsloth (GRPO) 训练自己的 R1 推理模型（附代码），增强了整个 GRPO 流程，使其使用的 VRAM 比 Hugging Face + FA2 少 80%。可以使用 Qwen2.5 (1.5B) 在仅 7GB VRAM 上重现 R1-Zero 的“顿悟时刻”：

GRPO + “啊哈”时刻

DeepSeek 的研究人员在使用纯强化学习 (RL) 训练 R1-Zero 时观察到了“顿悟时刻”。该模型学会了通过重新评估其初始方法延长其思考时间，而无需任何人工指导或预定义指令。
尽管仅使用 GRPO 训练了 100 步的 Phi-4，但结果已经很明显了。没有 GRPO 的模型没有思考标记，而使用 GRPO 训练的模型有思考标记并且也有正确答案。
这种魔力可以通过 GRPO 重现，GRPO 是一种 RL 算法，它不需要价值函数就能有效优化响应，这与依赖价值函数的近端策略优化 (PPO) 不同。
工作原理：

  • 该模型生成了多组响应。

  • 每个响应都根据正确性或由某些设定的奖励函数（而不是 LLM 奖励模型）创建的其他指标进行评分。
  • 计算该组的平均分数。
  • 每个回答的分数都会与组平均分数进行比较。

  • 该模型得到强化，以支持得分更高的反应。

举个例子，假设我们想要一个模型来解决：

1+1 等于多少？>> 思路/计算 >> 答案是 2。

2 +2 等于多少？>> 思路/计算 >> 答案是 4。

最初，必须收集大量数据来填补计算/思考流程。但 GRPO（DeepSeek 使用的算法）或其他 RL 算法可以引导模型自动展示推理能力并创建推理轨迹。相反，需要创建好的奖励函数或验证器。例如，如果它得到了正确的答案，就给它 1 分。如果有些单词拼写错误，就减 0.1 分。等等！可以提供很多函数来奖励这个过程。

Unsloth 中的 GRPO

等待至少 300 步，奖励才会真正增加，请使用最新版本的 vLLM。Unsloth在 Colab 上的示例只训练了一个小时，因此结果低于标准。为了获得良好的结果，需要训练至少 12 个小时。
这是建议将 GRPO 应用于至少有 1.5B 参数的模型，以正确生成思考标记，因为较小的模型可能无法做到这一点。如果使用的是基础模型，请确保有一个聊天模板。GRPO 的训练损失跟踪现在直接内置在 Unsloth 中，无需使用 wandb 等外部工具。

除了添加 GRPO 支持外，随后还支持在线 DPO、PPO 和 RLOO！
比较 Unsloth 的在线 DPO VRAM 消耗与标准 Hugging Face + FA2

https://unsloth.ai/blog/r1-reasoninghttps://colab.research.google.com/github/unslothai/notebooks/blob/main/nb/Llama3.1_(8B)-GRPO.ipynb

（文：PaperAgent）

欢迎分享

发表评论