SimpleRL-reason：又是一个复现DeepSeek-R1-Zero 和 DeepSeek-R1的项目，香港科技大学自然语言处理实验室出品。也证明了R1论文披露的训练方法很有效。

github.com/hkust-nlp/simpleRL-reason

“我们尝试复现DeepSeek-R1-Zero和DeepSeek-R1的数学推理训练流程，以Qwen-2.5-Math-7B（基础模型）为起点，仅使用原始MATH数据集中的8,000条（问题，最终答案）样本进行实验。令人惊讶的是，这8,000条样本在无额外信号的情况下显著提升了7B模型的性能”

“Qwen2.5-7B-SimpleRL-Zero（直接在基础模型上使用8K MATH样本进行强化学习）相比基础模型平均提升近20个百分点，甚至超越Qwen-2.5-Math-7B-Instruct，并与最新发布的Eurus-2-7B-PRIME和rStar-Math-7B（均基于Qwen-2.5-Math-7B）性能相当。值得注意的是，这些基线模型使用了更复杂的组件（如奖励模型）和至少50倍以上的数据量”

其他项目参见这条：