菠菜平台-十大菠菜平台

2025年2月27日下午，由菠菜平台高瓴人工智能学院、教务处、实验室治理与教学条件保障处主办的“AI在人大，智启未来”人工智能系列讲座在立德楼603教室举办。本次讲座邀请高瓴人工智能学院赵鑫教授主讲，讲座主题为“慢思考模型的技术解析与应用：以DeepSeek、Kimi为例”。全校各学院（系）及书院的师生积极参会，配合探索慢思考模型的技术生长与应用前景。

赵鑫以DeepSeek和Kimi两款大模型为例，深入解析了慢思考模型的技术原理与应用场景。他指出，慢思考模型通过模拟人类的“分步推理”机制，能够在庞大任务中展现出更强的解题能力。与传统的快速生成模型差异，慢思考模型通过逐步生成中间步骤（即“思维链”），显著提升了模型在数学推理、代码生成等庞大任务中的体现。他以DeepSeek为例，展示了模型如何通过长思维链解决庞大的数学问题，并强调了思维链在降低解题难度中的重要作用。赵鑫通过DeepSeek展示了模型在训练时间扩展和测试时间扩展中的性能曲线，并指出，随着投入的增加，模型的损失逐渐减小，性能显著提升。训练阶段的投入是一次性的，类似于“买房”，而测试阶段的扩展则类似于“租房”，需要连续的资源投入。这种扩展方式使得大模型能够在推理阶段通过输出更多的token来换取性能的提升，尽管这会增加响应时间，但显著提高了模型的解题效果。

赵鑫还重点讨论了大模型的微调与对齐技术。他提到，大模型在实际应用中需要通过微调来适应特定任务场景。常见的微调要领包罗监视微调（SFT）和强化学习（RL）。强化学习在大模型训练中尤为重要，尤其是在长思维链推理模型的训练中，强化学习能够资助模型通过重复试错来提升解题能力。赵鑫还介绍了两种常用的提示范式：上下文学习和思维链。通过上下文学习，模型能够利用已有的信息来生成更准确的答案；而思维链则通过逐步推理的方式，资助模型在庞大任务中展现出更强的推理能力。这些技术的结合使得大模型在多样化任务场景中体现出更强的适应性和泛化能力。

尽管慢思考模型在庞大任务中体现精彩，赵鑫也指出了其面临的挑战。首先是推理历程的控制问题，模型在生生长思维链时可能会泛起语言混杂或太过思考的情况，导致生成内容禁绝确或冗余。其次是宁静性问题，长思维链的生成历程可能被恶意利用，诱导模型生成有害内容。未来的研究偏向之一是如何更好地控制模型的推理历程，确保其在生生长思维链时能够保持高效和准确。