【DeepSeek】DeepSeek-R1推理本地跑，7GB GPU體驗啊哈時刻？GRPO記憶體暴降，GitHub超2萬星

黑科技來了！開源LLM微調神器Unsloth近期更新，將GRPO訓練的記憶體使用減少了80%！只需7GB VRAM，本地就能體驗AI「啊哈時刻」。

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！

開放原始碼專案Unsloth AI帶來了好消息，不用雲服務，本地也能體驗「Aha」 時刻：

現在可以在本地裝置上復現DeepSeek-R1的推理！

只需7GB VRAM，你就能體驗到「Aha」時刻。

Unsloth把GRPO訓練需要的記憶體減少了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」。

什麼是AI的「啊哈時刻」？有什麼作用？

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，那個大？

但體驗過「Aha」時刻後，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！

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

它能為你建立推理過程，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，通過群體相對策略最佳化（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。

對於包含其他模型的GRPO，參閱下列文件。

此次，unsloth更新主要增強了對DeepSeek-R1-Zero強化學習訓練方法的GRPO支援，減少了對記憶體的佔用。

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僅支援完整微調，但現在已經能夠與QLoRA和LoRA配合使用。
5. 請注意，這並不是微調DeepSeek-R1蒸餾模型或用R1蒸餾資料進行調優（Unsloth已經支援）。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：帶有獎勵機制的定製化推理模型，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，結果也一目瞭然：未使用GRPO的模型沒有思考token，使用GRPO訓練後的模型則具有思考token，而且得出了正確答案！

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那個大？」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，基於十分位的比較，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並不影響在第2步得出的結果。

Phi-4在GRPO訓練前後比較，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）演算法，與近端策略最佳化（Proximal Policy Optimization，PPO）不同，它不依賴值函數，能夠更高效地最佳化模型的回答質量。

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）和搜尋能力，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（不同於使用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，必須收集大量資料來填充工作/思維鏈。

但是，GRPO（DeepSeek使用的演算法）以及其他RL演算法可以引導模型自動表現出推理能力，並建立推理軌跡。

RL不需要資料，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；為了確保最佳相容性，請使用最新版本的vLLM。

Colab示例僅訓練了1小時，結果較一般，要獲得高品質結果，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，請確保載入正確的Chat範本（避免格式問題）。

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

更多強化學習訓練方法

除了新增GRPO支援，還增加了對Online DPO（線上直接偏好最佳化）、PPO（近端策略最佳化）和RLOO（強化學習偏好最佳化）的支援！

電腦工程專業的碩士生Keith Truongcao，在Unsolth中實現了Online DPO演算法。

在TLDR資料集 ，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，微調後的AI模型勝率都有所提升：Online DPO模型(下圖用紫色表示)的勝率顯著高於原始模型，並且比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的最佳化，線上DPO（Direct Preference Optimization微調的視訊記憶體需求大幅降低。當batch size為1且使用梯度累積時，所需視訊記憶體僅為20GB。

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

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

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，並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一起載入時的雙重記憶體使用，因此讓Llama 3.1 8B節省了約5GB VRAM，讓Llama 3.2 3B節約了3GB VRAM。

載入模型時不再需要額外的記憶體開銷。

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

這是Unsloth的原創功能。

而如果不最佳化記憶體管理，同時載入Unsloth和vLLM，會導致VRAM雙倍佔用，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並啟用快速推理：

Unsloth中關於vLLM的發現

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

2. 對於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）等設定，還可以自動選擇多個參數。在vLLM中默認啟用-O3並啟用前綴快取。發現老GPU上的Flashinfer實際上要慢10%。FP8 KV快取會讓速度慢10%，但吞吐量會翻倍。

3. 在vLLM中通過解析狀態字典，允許載入LoRA，而不是從磁碟載入——可以讓GRPO訓練運行速度提高1.5倍。在vLLM中直接編輯LoRA介面卡，相關研究是否活躍。這可以大大提高速度，因為目前版本的演算法還做了不必要的GPU資料移動。

4. vLLM會詭異地出現隨機VRAM峰值，尤其是在批次生成時。為此在unsloth中，加入了批次生成功能，以減少記憶體峰值。

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年畢業於雪梨科技大學。2022-2023年，在雪梨的MoonShot AI擔任開源開發者。

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

參考資料：

https://unsloth.ai/blog/r1-reasoning

https://x.com/UnslothAI/status/1887562753126408210 ( 新智元 )