由于从基础模型进行训练是 R1-Zero 类范式的基本设置，研究人员首先研究广泛使用的开源基础模型，这些模型通常是为了句子补全而训练的。研究人员探索了是否可以通过适当的模板有效地激发其问答能力，从而作为问答基础策略 。

让广大用户感觉到手机里的AI有一些不同，这是最难量化却又真实存在的市场竞争点。 DeepSeek出圈的一大原因，就是将理性的技术优势变为感性的产品讨论度。而手机自研AI，迟迟没有迎来“aha moment”。

衡宇 发自 凹非寺量子位 | 公众号 QbitAI 一个超越DeepSeek GRPO的关键RL算法出现了！ 用上该算法后，Qwen2.5-32B模型只经过RL训练，不引入蒸馏等其他技术，在AIME ...

在多模态推理的广阔天地中，上海交通大学等机构新提出的MM-Eureka模型正引领一场颠覆性的研究浪潮。这一革命性工具的问世，标志着我们开始理解诸如R1-Zero等案例中的“顿悟时刻”。

开源框架： 我们基于 OpenRLHF 开发了一个高效可扩展的多模态大规模强化学习框架，支持 InternVL 等多种模型和 RL 算法。相比 R1-V 等已有框架，我们的方案成功训练了 InternVL 2.5-38B 等大型模型。 稳定训练： ...

在关于 DeepSeek 的文章中，我们会多次听到「Aha Moment」这个词。它指的是模型在训练过程中经历的一种顿悟时刻，表现为模型突然展现出类似人类的 ...