În experimentul istoric DeepSeek-R1-Zero, cercetătorii au aplicat algoritmul GRPO direct peste modelul de bază neinstruit, furnizând doar reguli obiective de verificare (dacă rezultatul matematic final este corect și dacă raționamentul este încadrat între tagurile <think>...</think>).
Pe măsură ce antrenarea RL a progresat, modelul a manifestat spontan comportamente cognitive complexe:
- Creșterea duratei de gândire: Modelul a început să genereze sute de tokeni de raționament intern înainte de a emite răspunsul.
- Momentul „Aha!” (Self-Correction): Modelul recunoaște o greșeală intermediară („Wait, let me double check this equation…”) și reia calculul din punctul corect.
- Verificarea prin cazuri particulare: Testarea manuală a cazurilor extreme (zero, infinit, numere negative) pentru a valida ipoteza.
Să rezolvăm integrala definită...
Dacă aplicăm formula de integrare prin părți:
u = x, dv = e^x dx
Stai așa, verific din nou derivata! Dacă u = x, du = dx, nu e^x.
Reiau calculul corect de la pasul 2...
Rezultatul final este 42.Acest experiment a dovedit că raționamentul avansat poate fi învățat prin auto-explorare fără date create de om.
Întrebări & Exemple practice:
Comportamente Emergente de Raționament Zero-Shot (Aha Moment) în R1-ZeroAi o întrebare despre Comportamente Emergente de Raționament Zero-Shot (Aha Moment) în R1-Zero sau ai descoperit un truc, prompt sau fragment de cod util? Distribuie-l cu ceilalți membri ai comunității!
Fii primul care pune o întrebare sau distribuie un fragment de cod / prompt!
Nu au fost adăugate încă întrebări sau resurse pentru această pagină. Dacă ai testat un prompt sau ai un snippet util, adaugă-l mai jos pentru comunitate.