32B 推理模型，僅用 1/8 數(shù)據(jù)，與同尺寸 DeepSeek-R1 打成平手。
就在剛剛，來自斯坦福、UC 伯克利、華盛頓大學等機構聯(lián)手發(fā)布了一款 SOTA 級推理模型 ——OpenThinker-32B，并同時開源了高達 114k 的訓練數(shù)據(jù)。
Hugging Face：https://huggingface.co/open-thoughts/OpenThinker-32B
數(shù)據(jù)集：https://huggingface.co/datasets/open-thoughts/OpenThoughts-114k
團隊發(fā)現(xiàn)：采用經(jīng) DeepSeek-R1 驗證標注（基于 R1 蒸餾）的大規(guī)模優(yōu)質數(shù)據(jù)集，便可訓練出 SOTA 的推理模型。
具體方法，就是通過數(shù)據(jù)規(guī)?；?、推理過程驗證以及模型規(guī)模擴展。
由此得到的 OpenThinker-32B，在數(shù)學、代碼和科學等多個基準測試中，OpenThinker-32B 性能直接碾壓了李飛飛團隊 s1 和 s1.1 模型，直逼 R1-Distill-32B。
值得一提的是，相比于使用了 800k 數(shù)據(jù)（包含 600k 個推理樣本）的 R1-Distill，OpenThinker-32B 僅用了 114k 數(shù)據(jù)，就能拿下幾乎同等的優(yōu)異成績。
除此之外，OpenThinker-32 還把模型權重、數(shù)據(jù)集、數(shù)據(jù)生成代碼、訓練代碼上，全部都給公開了！
數(shù)據(jù)策展
研究人員使用了與之前訓練 OpenThinker-7B 模型相同的 OpenThoughts-114k 數(shù)據(jù)集來訓練 OpenThinker-32B。
他們利用 DeepSeek-R1 模型，收集了精心挑選的 17.3 萬個問題的推理過程和解答嘗試。然后將這些原始數(shù)據(jù)作為 OpenThoughts-Unverfied-173k 數(shù)據(jù)集公開發(fā)布。
整個流程的最后一步是，如果推理過程未能通過驗證，就過濾掉相應的數(shù)據(jù)樣本。
下圖可視化地展示了整個過程。
研究團隊首先輸入源數(shù)據(jù)或問題提示，這些內容可以來自不同的領域和平臺，如 BAAI / TACO、DeepMind、Python 提交等，涉及代碼、謎題、科學和數(shù)學等多個方面。
接著這些多元的輸入會進入核心的處理模塊 ——DeepSeek-R1，在這里對數(shù)據(jù)進行分析與處理。這些問題會被分成三個方面，分別是：科學類問題、數(shù)學與謎題和代碼。
有些結果不需要驗證，可能是簡單的分析或直接輸出。對于一些需要深入驗證的內容，利用大語言模型（LLM）采用與 GT（Ground Truth）對比的方式進行評判。如果是代碼，執(zhí)行代碼并進行單元測試，確保代碼的正確性和有效性。
最后能將不同方向的結果結合起來，生成開放的思考和更為綜合的解決方案。
研究團隊更新了最終的 OpenThoughts-114k 數(shù)據(jù)集，加入了一個名為「metadata」的配置，其中包含了一些用于數(shù)據(jù)集構建的額外列：
problem
ground_truth_solution
test_cases (code only)
starter_code (code only)
DeepSeek_reasoning
DeepSeek_solution
domain
source
這些額外的元數(shù)據(jù)將使得這個數(shù)據(jù)集更容易用于新的場景，例如數(shù)據(jù)過濾、領域切換、驗證檢查以及更改推理過程的模板。
這些額外的元數(shù)據(jù)將得使該數(shù)據(jù)集使用起來更加容易，僅需一行代碼就能完成例如過濾、更換領域、檢查驗證和更改推理跟蹤模板等。
load_dataset("open-thoughts/OpenThoughts-114k", "metadata", split="train")研究團隊表示，他們期待看到社區(qū)利用這些問題和標準答案，在 OpenThinker 模型上進行強化學習（RL）的研究。DeepScaleR 已經(jīng)證明，規(guī)模較小時，這種方法效果特別好。
驗證
為了得到最終的 OpenThoughts-114k 數(shù)據(jù)集，研究團隊對答案進行了驗證，并剔除了不正確的回答。
如下表所示，保留那些未通過驗證的推理過程可能會損害性能，盡管未經(jīng)驗證的模型與其他 32B 推理模型相比仍然表現(xiàn)良好。
驗證的作用在于，在擴大訓練提示集的多樣性和規(guī)模的同時，保持 R1 注釋的質量。另一方面，未經(jīng)驗證的數(shù)據(jù)可以更容易地擴展，因此也值得進一步探索。
對于代碼問題，他們通過對照已有的測試用例來驗證解答嘗試，從而完成推理過程的驗證。
受到代碼執(zhí)行過程中所面臨挑戰(zhàn)的啟發(fā)，他們在 Curator 中實現(xiàn)了一個代碼執(zhí)行框架，使用戶能夠大規(guī)模、安全地執(zhí)行代碼，并對照預期輸出進行驗證。
對于數(shù)學問題，研究團隊使用一個 LLM（大語言模型）評判器來進行驗證，它會同時接收標準答案和 DeepSeek-R1 的解答嘗試。
結果發(fā)現(xiàn)，在數(shù)據(jù)生成過程中，使用 LLM 評判器而不是更嚴格的解析引擎（Math-Verify）進行驗證，可以獲得更高的有效數(shù)據(jù)率，并能訓練出性能更好的下游模型。
訓練
研究團隊使用 LLaMa-Factory 對 Qwen2.5-32B-Instruct 在 OpenThoughts-114k 數(shù)據(jù)集上進行了三輪微調，上下文長度為 16k。完整訓練配置可在 GitHub 中找到。
OpenThinker-32B 在 AWS SageMaker 集群上使用四個 8xH100 P5 節(jié)點訓練了 90 小時，累計使用了 2,880 個 H100 小時。
同時，OpenThinker-32B-Unverified 在 Leonardo 超級計算機上使用 96 個 4xA100 節(jié)點（每個 GPU64GB）訓練了 30 小時，累計使用了 11,520 個 A100 小時。
評估
研究團隊使用開源評估庫 Evalchemy（煉金術）對所有模型進行評估。
對于 AIME24 和 AIME25，他們通過平均五次運行的結果來計算準確率。評估配置使用 0.7 的溫度參數(shù)，將模型響應限制在 32,768 個 token 以內，不添加任何額外的系統(tǒng)或用戶提示詞，也不使用任何特殊的解碼策略（如預算強制）。
當啟動 OpenThoughts 項目時，他們設定了一個目標，即創(chuàng)建一個性能可以達到 DeepSeek-R1-Distill-Qwen-32B 的開放數(shù)據(jù)模型。
現(xiàn)在這個差距已經(jīng)幾乎消除。
最后，研究團隊為社區(qū)在過去幾周在構建開放數(shù)據(jù)推理模型方面取得的快速進展感到振奮，并期待基于彼此的洞見繼續(xù)向前發(fā)展。
OpenThinker-32B 的開源，證明了數(shù)據(jù)、驗證和模型規(guī)模的協(xié)同作用是提升推理能力的關鍵。
這一成果不僅推動了開源推理模型的發(fā)展，也為整個 AI 社區(qū)提供了寶貴的資源和啟示。
本文來自微信公眾號：新智元（ID：AI_era），原標題《直逼 DeepSeek-R1-32B，碾壓李飛飛 s1！UC 伯克利等開源全新 SOTA 推理模型》
廣告聲明：文內含有的對外跳轉鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結果僅供參考，IT之家所有文章均包含本聲明。