Light-R1 – 360智脑开源的长思维链推理模型

Light-R1是什么

Light-R1是360智脑开源的AI模型，专注于数学领域的长思维链推理，具体为 Light-R1-32B。模型基于Qwen2.5-32B-Instruct，用7万条数学数据和两阶段课程学习（SFT+DPO）训练，实现从零超越DeepSeek-R1-Distill-Qwen-32B的性能。在AIME24测试中，Light-R1取得76.6分，显著高于DeepSeek-R1-Distill的72.6分。模型训练成本低，仅需12台H800机器运行6小时，成本约1000美元。模型支持全量开源，包括模型、数据集、训练框架和评测代码，推动开源社区发展，为低成本训练领域专精模型提供参考。

Light-R1的主要功能

• 高效数学问题解决：能快速、准确地解决复杂的数学问题，包括但不限于代数、几何、概率等领域。
• 推理能力提升：具备较强的逻辑推理能力，支持处理长思维链问题。
• 泛化能力：在其他领域（如逻辑推理、语言理解）表现出泛化能力。
• 低成本训练与部署：极低的成本实现高性能，适合资源有限的用户或企业快速部署和应用。

Light-R1的技术原理

• 基础模型与起点：模型基于 Qwen2.5-32B-Instruct 开发，实现从零到超越 DeepSeek-R1-Distill 的性能提升。
• 课程学习：
  • SFT（Supervised Fine-Tuning）：筛选难度分级的数据，分两阶段进行有监督的微调。第一阶段用 7 万条数据，第二阶段筛选出难度最高的 3 千条数据进一步微调。
  • DPO（Direct Preference Optimization）：在 SFT 的基础上，基于多次采样和偏好对的构建，优化模型的输出质量。
• 数据处理与去重：训练数据来自多个开源数学数据集（如 OpenR1-Math-220k、OpenThoughts-114k 等），经过严格的数据去重处理，避免测试数据泄露对模型性能的影响。
• 模型融合：最终的 Light-R1-32B 是融合 SFT 阶段 2、DPO 和另一个 DPO 版本的模型得到的。进一步提升模型的性能和稳定性。
• 训练框架与优化：用 360-LLaMA-Factory 训练框架，支持序列并行和高效的分布式训练。基于优化训练流程，Light-R1 在 12 台 H800 机器上仅需 6 小时即可完成训练。

Light-R1的项目地址

• GitHub仓库：https://github.com/Qihoo360/Light-R1
• HuggingFace模型库：https://huggingface.co/collections/qihoo360/light-r1

Light-R1的应用场景

• 教育领域：作为数学学习工具，帮助学生解决复杂问题，提供解题步骤和思路，适用于数学竞赛和日常学习。
• 科研与学术：辅助数学研究和跨学科问题解决，例如物理建模、工程优化等。
• 企业应用：用于数据分析、风险评估、供应链优化等复杂问题的解决。
• 软件集成：集成到智能助手、数学软件中，增强推理和解题功能。
• 开源与开发者：支持开发者定制和扩展模型，推动开源社区发展。