| TinyZero 是一個基于 veRL 的強(qiáng)化學(xué)習(xí)模型，旨在復(fù)現(xiàn) DeepSeeK-R1 Zero 在倒計(jì)時和乘法任務(wù)中的表現(xiàn)。令人驚訝的是，該項(xiàng)目僅需 30 美元的運(yùn)行成本（使用 2xH200，每小時 6.4 美元，不到 5 小時），就能實(shí)現(xiàn)與 DeepSeeK-R1 Zero 相同的頓悟效果。通過強(qiáng)化學(xué)習(xí)（RL），3B 基礎(chǔ)語言模型（LM）能夠自主開發(fā)自我驗(yàn)證和搜索能力。用戶可以通過簡單的安裝步驟和訓(xùn)練過程，體驗(yàn)到 TinyZero 的強(qiáng)大功能和創(chuàng)新性。 |
|
|
