使用 Unsloth 训练您自己的 DeepSeek R1 推理模型

今天，Unsloth 很高兴地介绍了 Unsloth 的推理功能！DeepSeek 的 R1 研究揭示了一个“顿悟时刻”，其中 R1-Zero 通过使用组相对策略优化 (GRPO) 自主学习分配更多的思考时间，而无需人工反馈。

Unsloth 增强了整个 GRPO 流程，使其使用的 VRAM 比 Hugging Face + FA2 少 80%。这使得用户可以使用 Qwen2.5 (1.5B) 在仅 7GB 的 VRAM 上重现 R1-Zero 的“顿悟时刻”。

试用 Unsloth 免费的 GRPO notebook：Llama 3.1 (8B) on Colab
有关 Phi-4 等其他模型的 GRPO notebooks，请访问 Unsloth 的文档

💡 主要细节

• 凭借 15GB VRAM，Unsloth 允许用户将任何高达 15B 参数的模型（如 Llama 3.1 (8B)、Phi-4 (14B)、Mistral (7B) 或 Qwen2.5 (7B)）转换为推理模型
• 最低要求：只需 7GB VRAM 即可在本地训练您自己的推理模型。
• Tiny-Zero 的出色团队证明，用户可以使用 Qwen2.5 (1.5B) 实现自己的“顿悟”时刻——但这需要 2 个 A100 GPU (160GB VRAM)。现在，借助 Unsloth，用户只需一个 7GB VRAM GPU 即可实现相同的“顿悟”时刻
• 以前，GRPO 仅支持完全微调，但 Unsloth 使其适用于 QLoRA 和 LoRA
• 请注意，这不是微调 DeepSeek 的 R1 蒸馏模型，也不是使用 R1 的蒸馏数据进行调优（Unsloth 已经支持）。这是使用 GRPO 将标准模型转换为成熟的推理模型。
• GRPO 的用例包括：如果用户想创建一个具有奖励的定制模型（例如用于法律、医学等），那么 GRPO 可以提供帮助。
  如果用户有输入和输出数据（如问题和答案），但没有思维链或推理过程，GRPO 可以神奇地为用户创建推理过程！+ 更多

🤔 GRPO + “顿悟”时刻

DeepSeek 的研究人员在使用纯强化学习 (RL) 训练 R1-Zero 时观察到一个“顿悟时刻”。该模型通过重新评估其初始方法来学习延长其思考时间，而无需任何人工指导或预定义指令。

在一个测试示例中，即使 Unsloth 仅使用 GRPO 用 100 步训练了 Phi-4，结果已经很明显。没有 GRPO 的模型没有思考 Token，而使用 GRPO 训练的模型有思考 Token，并且也有正确的答案。

这种魔力可以通过 GRPO 重现，GRPO 是一种 RL 算法，可以有效地优化响应，而不需要价值函数，这与依赖价值函数的近端策略优化 (PPO) 不同。在 Unsloth 的 notebooks 中，Unsloth 使用 GRPO 训练一个模型，旨在让它自主地发展自己的自我验证和搜索能力——创造一个迷你的“顿悟时刻”。

工作原理：

• 模型生成响应组。
• 每个响应都根据正确性或由某些奖励函数创建的其他指标进行评分，而不是由大语言模型奖励模型评分。
• 计算组的平均分数。
• 将每个响应的分数与组平均值进行比较。
• 模型得到加强，以支持得分较高的响应。

例如，假设 Unsloth 希望模型解决：
1+1 是多少？ >> 思维链/计算过程 >> 答案是 2。
2+2 是多少？ >> 思维链/计算过程 >> 答案是 4。

最初，人们必须收集大量数据来填充计算过程/思维链。但是 GRPO（DeepSeek 使用的算法）或其他 RL 算法可以引导模型自动展现推理能力并创建推理轨迹。相反，Unsloth 需要创建良好的奖励函数或验证器。例如，如果它得到正确的答案，给它 1 分。如果某些单词拼写错误，则减去 0.1。以此类推！Unsloth 可以提供许多函数来奖励这个过程。

🦥 Unsloth 中的 GRPO

如果用户在本地将 GRPO 与 Unsloth 一起使用，请同时“pip install diffusers”，因为它是依赖项。

至少等待 300 步，奖励才会真正增加，请使用最新版本的 vLLM。请记住，Unsloth 在 Colab 上的示例只是在一个小时内训练的，因此结果不理想。为了获得良好的结果，用户需要训练至少 12 个小时（这就是 GRPO 的工作方式），但请记住，这不是强制性的，因为用户可以随时停止。

建议 将 GRPO 应用于至少 1.5B 参数的模型，以正确生成思考 Token，因为较小的模型可能无法生成。如果用户使用的是基础模型，请确保用户有聊天模板。GRPO 的训练损失跟踪现在直接内置于 Unsloth 中，无需 wandb 等外部工具。

除了添加 GRPO 支持外，Unsloth 随后还支持 Online DPO、PPO 和 RLOO！有关 Unsloth 的 Online DPO VRAM 消耗与标准 Hugging Face + FA2 的比较图，请参见下文。

✨ Unsloth x vLLM

吞吐量提高 20 倍，VRAM 节省 50%：

用户现在可以在微调堆栈中直接使用 vLLM，这允许更大的吞吐量，并允许用户同时对模型进行微调和推理！在 1 个 A100 40GB 上，使用 Unsloth 的 Llama 3.2 3B Instruct 动态 4 位量化，预计 4000 tokens / s 左右。在 16GB Tesla T4（免费 Colab GPU）上，用户可以获得 300 tokens / s。

Unsloth 还神奇地 消除了 同时加载 vLLM 和 Unsloth 时的 双倍内存使用，从而为 Llama 3.1 8B 节省了大约 5GB，为 Llama 3.2 3B 节省了 3GB（感谢 Boris 的启发）。Unsloth 最初可以在 1 个 48GB GPU 中微调 Llama 3.3 70B Instruct，Llama 3.3 70B 权重占用 40GB VRAM。如果不消除双倍内存使用，那么在同时加载 Unsloth 和 vLLM 时，Unsloth 将需要 >= 80GB 的 VRAM。

但是使用 Unsloth，用户仍然可以在 48GB 以下的 VRAM 中进行微调并获得快速推理的好处！要使用快速推理，首先安装 vllm，并使用 fast_inference 实例化 Unsloth：

pip install unsloth vllm
from unsloth import FastLanguageModel
model, tokenizer = FastLanguageModel.from_pretrained(
model_name = "unsloth/Llama-3.2-3B-Instruct",
fast_inference = True,
)
model.fast_generate(["Hello!"])

Unsloth 中的 vLLM 发现

• vLLM 现在可以加载 Unsloth Dynamic 4-bit 量化。就像 Unsloth 的 1.58bit Dynamic R1 GGUF 一样，Unsloth 表明将某些层动态量化为 4 位，将某些层动态量化为 16 位可以显著提高准确性，同时保持模型较小。
• Unsloth 自动选择多个参数以考虑 RAM、VRAM 效率和最大吞吐量（如 # 块预填充 tokens、# 最大序列等）。Unsloth 默认在 vLLM 中启用 -O3 并启用前缀缓存。Unsloth 发现在旧 GPU 上，Flashinfer 实际上慢了 10%。FP8 KV 缓存使速度慢了 10%，但吞吐量潜力翻倍。
• Unsloth 允许通过解析状态字典而不是从磁盘加载在 vLLM 中加载 LoRA - 这可以使您的 GRPO 训练运行快 1.5 倍。一个活跃的研究领域是如何直接编辑 vLLM 中的 LoRA 适配器（Unsloth 还不知道如何）。这可以大大提高速度，因为 Unsloth 现在正在进行不必要的 GPU 数据移动。
• vLLM 会奇怪地出现随机 VRAM 峰值，尤其是在批量生成期间。Unsloth 添加了一个批量生成函数来减少内存峰值。