Hugging Face Blog·· 2025-01-31精选AI 评分60
Mini-R1：用 GRPO 和 Countdown Game 复现 DeepSeek R1 的 aha moment
Mini-R1: Reproduce Deepseek R1 „aha moment“ a RL tutorial
AI 导读
作者用 GRPO 和 Countdown Game 训练 Qwen2.5-3B-Instruct，在 4x H100 上复现 DeepSeek R1 的 aha moment，450 步后解题成功率约 50%。
推荐理由
完整复现流程与训练观察，读者可据此理解 GRPO 如何让模型自发形成推理格式。
来源：Hugging Face Blog · huggingface.co