3 篇博文 含有标签「deepseek」

在人工智能训练过程中，模型能力的跃迁往往并非线性提升，而是伴随着潜移默化的积累与突现的顿悟。本文以小模型为例，尝试通过强化学习探索 DeepSeek R1 中“顿悟现象”的再现与分析，揭示智能系统从量变到质变的过程。

一、实践目的​

我们实践的目标包括：

• 探索语言模型在强化学习中表现出来的“顿悟”（Aha Moment）现象，即模型能力出现显著提升的瞬间。
• 理解模型训练过程中每个代码模块的作用，并实际动手完成一次训练。

随着大语言模型（LLM）的不断发展，如何高效地将大模型的能力“压缩”进小模型成为一个热门课题。知识蒸馏（Knowledge Distillation） 正是实现这一目标的重要手段。它允许我们在有限资源（如单卡 GPU）下，让小模型学习大模型的知识，从而达到在推理速度和部署成本上的双赢。

DeepSeek 团队基于 800k 高质量样本对 Qwen/Llama 等小模型进行蒸馏（论文链接），验证了几个关键结论：

1. 蒸馏有效迁移推理能力至小模型，蒸馏模型在多项推理任务中表现出色。
2. 蒸馏比强化学习更高效。在相同资源下，蒸馏方法比直接对小模型进行强化学习训练更能提高性能，其训练成本更低。

本篇博客将带你从零开始，基于开源工具和公有云 GPU 的算力资源，动手实践一个完整的知识蒸馏流程。我们以 DeepSeek-R1 模型生成的回答作为教师知识，训练微软开源的小模型 phi-3-mini-4k-instruct 来模仿它的行为。

本文档将详细阐述基于物理机服务的 Deepseek-R1-671b 多机部署方案，基于 4 台 8 卡昇腾 910B GPU 物理机和 2 台 8 卡昇腾 910B GPU 物理机进行最佳实践，内容涵盖环境准备、服务启动与故障处理三个方面。

注意：4 台昇腾 910B 物理机服务器可以部署 DeepSeek-R1/V3 671B 版本，2 台昇腾 910B 物理机服务器可以部署 DeepSeek-R1/V3 671B W8A8 量化版本。