李飛飛團隊僅用16張H100訓了26分鐘，訓出的模型就超越了o1-preview，震動業內。

可以說，DeepSeek-R1已經讓全球AI模型走向了推理新時代。

甚至利用其訓練方法GRPO，AI開源界開始了競賽：看誰能用最少的成本，復現AI的「啊哈時刻」。

而就在剛剛，DeepSeek-R1的推理成本徹底被打下來了！

開源項目Unsloth AI帶來了好消息，不用云服務，本地也能體驗「Aha」 時刻：

現在可以在本地設備上復現DeepSeek-R1的推理！

只需7GB VRAM，你就能體驗到「Aha」時刻。

Unsloth把GRPO訓練需要的內存減少了80%。

15GB VRAM就可以把Llama-3.1（8B）和Phi-4（14B）轉變為推理模型。

沒有看錯：只需7GB VRAM的GPU，AI模型在本地就能體驗「啊哈時刻」。

什么是AI的「啊哈時刻」？有什么作用？

熟悉AI的都知道，對人類很簡單的問題，對AI可能很難。比如：

9.11和9.9相比，哪個大？

但體驗過「Aha」時刻后，AI模型Phi-4就能完成這類問題：從無推理能力的模型，化身為DeepSeek-R1同款推理模式，帶有原始思維鏈、展示推理過程的那種！

原文鏈接：https://unsloth.ai/blog/r1-reasoning

總之，如果現在你已經有輸入和輸出數據（比如問題和答案），但沒有CoT或推理過程，那就可以見證GRPO創造的奇跡了——

它能為你創建推理過程，甚至做出更多！

現在，這個方法已經在AI社區爆火，討論的聲浪越來越高了。

Unsloth推出推理功能

DeepSeek的R1研究揭示了「Aha」時刻，通過群體相對策略優化（Group Relative Policy Optimization，GRPO），在沒有人類反饋的情況下，R1-Zero自動學會了如何分配更多的思考時間。

Unsloth對整個GRPO過程進行了增強，相比Hugging Face+FA2，VRAM使用減少了80%。

這意味著只需7GB VRAM，使用Qwen2.5(1.5B)就能重現R1-Zero的「Aha」時刻。

項目鏈接：https://github.com/unslothai/unsloth

對于包含其他模型的GRPO，參閱下列文檔。

文檔鏈接：https://docs.unsloth.ai/get-started/unsloth-notebooks

此次，unsloth更新主要增強了對DeepSeek-R1-Zero強化學習訓練方法的GRPO支持，減少了對內存的占用。

主要亮點如下：

1. 15GB VRAM：使用unsloth，你可以將任何最多15B參數的模型（如Llama 3.1（8B）、Phi-4（14B）、Mistral（7B）或Qwen2.5（7B））轉換為推理模型。
2. 最低僅需7GB VRAM，足以在本地訓練你自己的推理模型。
3. Tiny-Zero團隊曾展示過，使用Qwen2.5（1.5B）可以實現「aha」時刻，但需要2個A100 GPU（160GB VRAM）。而現在，借助Unsloth，只需一個7GB VRAM的GPU就能實現相同的效果。
4. 之前，GRPO僅支持完整微調，但現在已經能夠與QLoRA和LoRA配合使用。
5. 請注意，這并不是微調DeepSeek-R1蒸餾模型或用R1蒸餾數據進行調優（Unsloth已經支持）。實際上，此項目用GRPO將標準模型轉化為「滿血」的推理模型。
6. GRPO的應用場景：帶有獎勵機制的定制化推理模型，例如法律、醫學等領域；其他需要顯示推理鏈或思維過程的場景。

GRPO帶來的「Aha」時刻

在使用純粹的強化學習（RL）訓練R1-Zero時，DeepSeek觀察到了神奇的「啊哈時刻」——

在沒有任何人類的指導或預定義的指令的情況下，模型竟開始重新評估其初始方法，學會了延長思考時間。

即便只使用GRPO對Phi-4做100步的訓練，結果也一目了然：未使用GRPO的模型沒有思考token，使用GRPO訓練后的模型則具有思考token，而且得出了正確答案！

論文鏈接：https://arxiv.org/pdf/2412.08905

這種「啊哈時刻」表明，GRPO不僅幫助模型提升推理能力，還能讓模型在沒有外部提示的情況下，學會自我反思和調整，從而提高問題解決的質量。

回到「9.11和9.9哪個大？」的問題，沒有GRPO訓練前，Phi-4介紹了如何從左到右按位比較小數，堅持認為雖然十分位上1<9，但百分位上1＞0，而9.9可以寫作9.90， 所以：「9.11比9.90大」。

經過GRPO訓練，Phi-4已經能正確分析回答此問題了，而且推理過程清晰，嚴絲合縫——

在推理過程中的第2步，基于十分位的比較，已經得出了正確答案；在第3步，依然比較了9.11和9.90的百分位，但這次AI模型發現比較百分位并不影響在第2步得出的結果。

Phi-4在GRPO訓練前后比較，提示為：「Which is bigger? 9.11 or 9.9?」

這就是GRPO的「魔力」。

GRPO是一種強化學習（RL）算法，與近端策略優化（Proximal Policy Optimization，PPO）不同，它不依賴值函數，能夠更高效地優化模型的回答質量。

在項目的Notebook中，使用GRPO訓練模型，能夠自主發展出自我驗證（self-verification）和搜索能力，從而創造出一個迷你「Aha 時刻」。

GRPO的大致流程如下：

1 模型生成多組回答

2 根據正確性或其他設定的獎勵函數，對回答進行評分（不同于使用LLM作為獎勵模型）

3 計算該組回答的平均得分

4 將每個回答的得分與組內平均得分進行比較

5 增強模型對高分回答的偏好

舉例來說，假設要模型解決下列問題：

What is 1+1?  >>  Chain of thought/working out  >>  The answer is 2. 

What is 2+2?  >>  Chain of thought/working out  >>  The answer is 4.

最初，必須收集大量數據來填充工作/思維鏈。

但是，GRPO（DeepSeek使用的算法）以及其他RL算法可以引導模型自動表現出推理能力，并創建推理軌跡。

RL不需要數據，相反需要精心設計的獎勵函數或驗證器。例如，如果它得到了正確答案，就給它打1分；如果有些單詞拼寫錯誤，就減0.1分。以此類推。

強強聯合：在Unsloth中使用GRPO

如果在本地使用GRPO進行訓練，請先安裝必要的依賴項：pip install diffusers。

訓練提示：耐心等待至少300步才能看到獎勵分數的明顯提升；為了確保最佳兼容性，請使用最新版本的vLLM。

Colab示例僅訓練了1小時，結果較一般，要獲得高質量結果，建議訓練至少12小時（但可以隨時停止）。

較小的模型可能無法生成思考token，建議至少使用1.5B參數的模型，正確生成「思考token」（thinking tokens）。

如果使用基礎模型，請確保加載正確的Chat模板（避免格式問題）。

Unsloth現已內置GRPO訓練損失跟蹤功能，無需再使用外部工具（如wandb）。

內置GRPO訓練損失跟蹤示例

更多強化學習訓練方法

除了新增GRPO支持，還增加了對Online DPO（在線直接偏好優化）、PPO（近端策略優化）和RLOO（強化學習偏好優化）的支持！

計算機工程專業的碩士生Keith Truongcao，在Unsolth中實現了Online DPO算法。

在TLDR數據集 ，他使用GPT 4o-mini作為判斷模型，與原始模型(下圖用綠色表示)相比，微調后的AI模型勝率都有所提升：Online DPO模型(下圖用紫色表示)的勝率顯著高于原始模型，并且比SFT模型(下圖用紅色表示)高出12%，充分證明了強化學習訓練方法的有效性。

借助Unsloth的優化，在線DPO（Direct Preference Optimization微調的顯存需求大幅降低。當batch size為1且使用梯度累積時，所需顯存僅為20GB。

相比之下，標準的Llama 3.2（10億參數模型） 需要50GB顯存，但在嘗試額外分配2GB顯存時，會發生OOM（內存溢出）錯誤。更令人驚訝的是，即使在配備48GB顯存的A40 GPU上，標準Llama也會直接崩潰。

Unsloth的在線DPO VRAM消耗與Hugging Face+FA2的對比

更多詳情，請參閱Keith的下列文章，其中包括如何讓在線DPO正常工作更多細節。

原文鏈接：https://substack.com/home/post/p-154490380

另一位活躍的開源貢獻者Joey，在X上也詳細介紹了自己如何在Google Colab上實現GRPO變更的方法。

Unsloth x vLLM：更高吞吐量和更少VRAM消耗

20倍吞吐量，一半VRAM

現在，在微調流程中，可以直接使用vLLM，這使得模型的吞吐量大幅提升，并且可以同時進行微調和推理。

在1x A100 40GB GPU上，使用Unsloth動態4bit量化的Llama 3.2 3B Instruct，吞吐量大約為4000 tokens/s。

在16GB Tesla T4（免費Colab GPU）上，吞吐量大約為300 tokens/s。

而且，因為Unsloth還神奇地去除了vLLM和Unsloth一起加載時的雙重內存使用，因此讓Llama 3.1 8B節省了約5GB VRAM，讓Llama 3.2 3B節約了3GB VRAM。

加載模型時不再需要額外的內存開銷。

Unsloth可以在單張48GB GPU上微調Llama 3.3 70B Instruct，其中Llama 3.3 70B的權重占用40GB VRAM。

這是Unsloth的原創功能。

而如果不優化內存管理，同時加載Unsloth和vLLM，會導致VRAM雙倍占用，從而需要至少80GB VRAM才能運行。

而且上手非常快，只要兩步：

1. 安裝vLLM和Unsloth：pip install unsloth vllm。
2. 初始化Unsloth并啟用快速推理：

Unsloth中關于vLLM的發現

1. 現在，vLLM可以加載Unsloth Dynamic 4-比特量化。就像Unsloth的1.58比特動態R1 GGUF一樣，發現將某些層動態量化為4比特，將某些層動態量化為16比特，在減小模型規模的同時，顯著提高精確度。

2. 對于RAM、VRAM效率和最大吞吐量（如分塊預填充標記數、最大序列數等）等設置，還可以自動選擇多個參數。在vLLM中默認啟用-O3并啟用前綴緩存。發現老GPU上的Flashinfer實際上要慢10%。FP8 KV緩存會讓速度慢10%，但吞吐量會翻倍。

3. 在vLLM中通過解析狀態字典，允許加載LoRA，而不是從磁盤加載——可以讓GRPO訓練運行速度提高1.5倍。在vLLM中直接編輯LoRA適配器，相關研究是否活躍。這可以大大提高速度，因為目前版本的算法還做了不必要的GPU數據移動。

4. vLLM會詭異地出現隨機VRAM峰值，尤其是在批量生成時。為此在unsloth中，添加了批量生成功能，以減少內存峰值。

Unsloth團隊介紹

另外值得一提的是，Unsloth目前在Github上有2萬多星，但核心團隊Unsloth AI，只有兩兄弟。

Daniel Han，Unsloth AI的CTO，2021年畢業于悉尼科技大學。2022-2023年，在悉尼的MoonShot AI擔任開源開發者。

Michael Han，Unsloth AI的CEO，2019年畢業于新南威爾士大學（The University of New South Wales，UNSW）。在實習期間，他曾提高了多個算法實現的速度。