1.推理LLMs成为近半年的热点，与通用LLMs相比，推理LLMs在回答用户问题时更关注推理过程而非直接输出答案。
2.根据Maarten Grootendorst的图解，推理LLMs将用户问题拆解成更小的单元，分别解答、汇总后，再返回。
3.测试时计算分类包括验证式搜索和修改提议分布两种实现方案，其中验证式搜索通过采样生成多个输出结果，挑选最好的。
4.DeepSeek R1是推理LLMs的优秀代表，其原理包括纯规则RL预训练、Cold-Start(SFT)提升推理能力、生成数据和SFT监督数据微调等。
5.除此之外，DeepSeek提供R1的蒸馏版本，以进一步提高模型性能。
以上内容由腾讯混元大模型生成，仅供参考
推理LLMs背后什么原理，跟通用LLMs有什么区别？
2024年，Scaling Law逐步见顶，业界普遍认为通用LLM走到“高原区”，进化乏力，除了多模态LLM还在日新月异。行业灯塔OpenAI也迟迟不发布GPT-5, 哪怕是GPT-4.5。
于是，不少厂商把精力转向第二增长曲线：大模型应用，纷纷角力聊天助手、办公、情感陪伴、Bot编排等产品。
没想到，9月份，OpenAI 发布预览版o1，12月正式发布o1, 接着 o3, 而国产之光DeepSeek也紧跟其后，先后发布V3和R1, Google发布Geimin 2 Flash Thinking等，推理LLMs成为近半年的热点。
那么，推理LLMs是什么原理？跟普通LLMs有什么区别，为什么推理效果优于通用LLMs？
国外知名博主Maarten Grootendorst写了个推理LLMs教程，以图片方式讲解推理LLMs的原理。
注：
Jay Alammar博客（https://jalammar.github.io/）质量非常高，先后推出了Transformer/BERT/GPT等图解系列文章，广受好评。
Jay Alammar和Maarten Grootendorst二人联手写了一本书《动手学大模型》（Hands-On Large Language Models）
下面按照个人理解，重新组织、表述，方便大家快速理解，更多细节建议看英文原文。
（1）LLM训练
思考：影响预训练LLM效果的主要因素有哪些？
核心要素有3个：训练数据量（单位是token）+模型参数规模（单位B,10亿）+计算能力（GPU）
人们常说的模型训练主要有两类：预训练、微调（后训练）
思考：什么是预训练、后训练？
预训练（Pre-training）：在基座模型上，借助GPU强大的算力，按照自回归方式学习大规模语料里的知识。
后训练（Post-training）：继续在新语料上增量训练（CPT）/监督指令微调（SFT, 具备聊天能力）/对齐训练（RLHF, 对齐人类标准，3H）
因此，LLM训练包含预训练、后训练，又称“训练时计算”（train-time-compute）。
（2）Scaling Law
温习下概念：Scaling Law，扩展法则，或规模法则。
人们发现，模型效果与数据量、参数规模、计算能力成正比
而且呈现一定规律：对数线性，即Scaling Law（扩展法则）。
扩展法则有多个版本：
2020年，OpenAI推出Kaplan’s Scaling Law: 模型规模比数据更重要
2022年，Google DeepMind推出Chinchilla Scaling Law: 模型规模与数据同等重要
内容略有差异，区别是模型规模与数据量哪个更重要，但主体意义一致：参与训练的数据量越多，模型规模越大，模型效果越好。
于是，“大力出奇迹”、优化模型规模与数据量配比，成为业界共识，纷纷砸钱吞卡，造就了NVIDIA帝国。
（4）测试时计算
但好景不长。2024年，模型规模、数据、计算量稳步增长，而模型性能却在下滑。扩展法则似乎走到了尽头！
既然LLM训练（预训练+后训练）金矿干涸了，那就继续挖掘推理环节的潜力！
“测试时计算”（test-time-compute）：回答用户问题时，让模型先“静一静”，心里打打草稿，想好了再说。
注意：
此处的“推理”指机器学习里的推理（inference），输出结果，仅此而已，并非字面意义，中文推理包含inference和reason。
研究发现：打草稿篇幅越大、时间越长，模型效果越好。
详情：
OpenAI 论文 Learning to reason with LLMs：测试时计算Scaling Law与训练时计算Scaling Law一致
Google DeepMind AlphaZero 论文 Scaling Scaling Laws with Board Games ：两种形式的Scaling Law高度相关
好家伙，又是OpenAI和Google这对好基友，殊途同归，如影随形。
测试时计算成了新的金矿。
训练范式随之发生迁移：训练时计算→测试时计算。
接下来，推理LLMs闪亮登场。
（5）什么是推理LLMs
“推理LLMs”概念是为了区分常规LLMs：
推理LLMs将用户问题拆解成更小的单元（即推理步骤/思维过程），分别解答、汇总后，再返回。
可以发现，二者解决的问题不同：
常规LLMs学习回答什么，直接输出作答内容，一步到位，快思考，解决简单问题。
推理LLMs学习怎么回答，作答前先想想该怎么回答，然后逐步解答，汇总后才返回给用户，慢思考，专门复杂推理问题。
示例：
问题：我有10个苹果，给了别人两个，自己吃了1个，请问还有几个苹果？
常规LLMs：7个。（不稳定，可能会计算错误）
推理LLMs：先拆解成3个子问题，我有10个苹果，给别人两个后还剩8个，吃了1个，于是最后还剩7个。（更加稳定，准确性更高）
这里的推理（reason）基本等效于测试时计算（test-time-compute）
（6）测试时计算分类
有哪些实现方案？
测试时计算分类
①验证式搜索 Search against Verifiers：采样生成多个输出结果，挑选最好的
②修改提议分布 Modifying Proposal Distribution：训练思考过程（输入），模型生成改进后的推理步骤
其中，验证式搜索 Search against Verifiers 过程：搜索、验证
Search: 采样多个推理过程及其回答
Verifiers: 奖励模型（验证器）分别打分；奖励模型由LLM微调而来，分PRM（过程奖励模型）和ORM（结果奖励模型）
验证器使用奖励模型，并未唯一选择，有更简单的多数投票机制（self-consistance）、最佳N个投票（Best-of-N-Samples），也有更加复杂的加权投票机制（Weighted-Best-of-N-Samples），综合使用投票+奖励模型打分。
还有类似思维树的Beam Search方案：每次从当前层级选取top n个步骤，再逐步往下推理。
以及借鉴强化学习蒙特卡洛树搜索（MCTS）方案：选1个子节点，开始扩展推理步骤，执行后获取得分，反馈给父节点，继续下一轮探索。
MCTS充分发挥了强化学习里的探索-利用平衡，效果好，但计算开销大。
（7）测试时计算案例
两种类型
①验证式搜索 Search against Verifiers：采样生成多个输出结果，挑选最好的
②修改提议分布 Modifying Proposal Distribution：训练思考过程（输入），模型生成改进后的推理步骤
方法①推理时贪心到底，只取概率最大的词，而贪心搜索是局部最优，并不能保证全局最优。
于是，方案②直接修改概率分布，提升部分词汇的概率，尽量保留潜在更优的词（如逻辑单词，if、then等）。
方案②的具体代表：
通过提示工程（PE）更新提示语（prompt）
“Let’s think step-by-step”
静态线性自我抑制过程
训练推理模型，生成推理过程数据
STaR: Self-Taught Reasoner
OpenAI o1，DeepSeek-R1
STaR示例：自学习推理器，针对question，生成reasoning和answer
如果answer正确，三元组训练数组回流
否则，用正确答案提示，让LLM更新推理链。
（8）DeepSeek R1原理
介绍下推理LLMs优秀代表：DeepSeek R1。
刚开始基于DeepSeek-V3-Base，首次使用纯RL（GRPO）预训练，基于规则的奖励模型，得到DeepSeek-R1-Zero模型。
证明: 纯规则 RL也有效，表现出自我验证、反思、和生成长COT的能力
R1-Zero=Pretrain（DeepSeek-V3-Base）+RL（GRPO）
由于DeepSeek-R1-Zero可读性差，语言混合，继续优化，得到R1：
R1=Pretrain+Cold-Start（SFT）+RL（提升推理能力）+生成数据和SFT监督数据微调Base（SFT）+RL（对齐），先提升推理能力，搞出数据，再提升LLM整体能力
另外，DeepSeek提供R1的蒸馏版本
DeepSeek论文要点概括：
附录
资料：
英文原文：A Visual Guide to Reasoning LLMs，https://newsletter.maartengrootendorst.com/p/a-visual-guide-to-reasoning-llms
技术博客：https://wqw547243068.github.io/o1#deepseek-r1