Hugging Face Blog·· 2025-01-31精选AI 评分77
Mini-R1：用GRPO复现DeepSeek R1的“顿悟时刻”强化学习教程
Mini-R1: Reproduce Deepseek R1 „aha moment“ a RL tutorial
AI 导读
Hugging Face 发布教程，使用 GRPO 算法和 Countdown Game 复现 DeepSeek R1 的推理能力。在 4x H100 上训练 Qwen2.5-3B-Instruct 模型 450 步，成功率从 25% 提升至 50%，模型从自然语言推理转向程序化执行。
推荐理由
文章提供了基于GRPO和Countdown Game复现DeepSeek R1推理能力的完整代码与训练细节，可直接迁移用于探索强化学习对齐。
来源：Hugging Face Blog · huggingface.co