字节最新深度思考模型，在数学、代码等多项推理任务中超过 DeepSeek-R1 了？而且参数规模更小。
同样是 MoE 架构，字节新模型 Seed-Thinking-v1.5 有 200B 总参数和 20B 激活参数。
对比 DeepSeek-R1 的 671B 总参数和 37B 激活参数，可以算得上轻量级了。
目前，完整的技术报告已公开发布，其中揭示了诸多秘诀。
字节 Seed 团队聚焦大规模强化学习，并从三个角度提升了推理表现：数据、RL 算法和 RL 基础设施。
可验证与不可验证问题
从数据开始说起，字节团队把 RL 训练数据分为两个部分，具有明确答案的可验证问题 和没有明确答案的不可验证问题，采用不同的奖励建模方法。
这其中，模型的推理能力主要来自可验证问题，并可以推广到不可验证问题。
可验证问题包括问题与答案配对的 STEM 问题、附带单元测试的代码问题，以及适合自动验证的逻辑推理问题（24 点、迷宫、数独等）。
不可验证问题主要包括根据人类偏好评估的非推理任务，如创意写作、翻译、知识 QA、角色扮演等。
对于不可验证问题，字节团队丢弃了样本分数方差低、难度低的数据。此类数据可能过于简单或已在数据集中大量表示。离线实验表明，过度优化此类样本会导致模型的探索空间过早崩溃并降低性能。
此外，团队还打造了全新数学推理评测集 BeyondAIME。
当前的推理模型通常使用 AIME 作为评估数学推理能力的首选基准，但该基准每年只发布 30 个问题，有限的规模可能会导致高方差的评估结果，难以有效区分最先进的推理模型。
字节与数学专家合作，根据既定的比赛形式开发原创问题。通过结构修改和情景重新配置来系统地调整现有的比赛问题，确保不会发生直接重复。此外还确保答案不是容易猜的数值（例如问题陈述中明确提到的数字），以减少模型在没有适当推理的情况下猜出正确答案的机会。
RL 算法
强化学习虽然强大，但训练起来也很不稳定，经常崩溃。
字节在技术报告中提到" 有时，两次运行之间的分数差异可能高达 10 分"。
针对这个问题，团队提出了 VAPO 和 DAPO 两个 RL 框架，分别从基于价值和无价值的 RL 范式出发来稳定训练。
VAPO 和 DAPO 两篇论文都已单独发布。
此外，在 Seed-Thining-v1.5 中，还借鉴了之前学术界工作中的很多关键技术：
-
价值预训练 (Value-Pretraining)，保证价值网络和策略网络一致
-
解耦的 GAE(Decoupled-GAE)，让两个网络更独立高效
-
长度自适应 GAE(Length-adaptive GAE)，更好处理不同长度序列
-
解耦 PPO 损失 (Clip-Higher)，为低概率 token 的增长创造，了更多空间鼓励模型探索新方案
-
Token 级损失 (Token-level Loss)，平衡每个 token 对训练过程的影响。
-
正例增强 (Postive Example LM Loss)，提高 RL 训练过程中正样本的利用效率，从而提高模型整体性能
RL 基础设施
在 Long-CoT 生成过程中，字节团队观察到各种提示词之间的响应长度差异较大，在生成过程中出现大量 GPU 空闲时间。
为了缓解长尾响应生成的滞后问题，提出了 SRS（流式 Rollout 系统），一种资源感知型调度框架，可战略性地部署独立的流式计算单元，将系统约束从内存绑定转换为计算绑定。
为了有效地大规模训练，团队还设计了一个混合分布式训练框架，集成高级并行策略、动态工作负载平衡和内存优化：
-
并行机制：将 TP （张量并行）/EP （专家并行）/CP （上下文并行）与全分片数据并行 （FSDP） 组合在一起，具体来说，将 TP/CP 应用于注意力层，将 EP 应用于 MoE 层。
-
序列长度平衡：DP 等级之间的有效序列长度可能不平衡，导致计算工作量不平衡和训练效率低下。利用 KARP 算法在一个 mini-batch 内重新排列输入序列，使它们在 micro-batch 之间保持平衡。
-
内存优化：采用逐层重新计算、激活卸载和优化器卸载来支持更大 micro-batch 的训练，以覆盖 FSDP 引起的通信开销。
-
自动并行：为了实现最佳系统性能，开发了 AutoTuner 自动调整系统，按照基于配置文件的解决方案 对内存使用情况进行建模。然后估计各种配置的性能和内存使用情况以获得最优配置。
-
检查点：使用 ByteCheckpoint 支持从不同的分布式配置中以最小的开销恢复检查点，弹性训练以提高集群效率。
最终，在多项自动评估中，Seed-Thinking-v1.5 在 AIME 2024 基准测试中取得 86.7，与 OpenAI 的 o3-mini-high 模型的性能相当。但在最近的 AIME 2025 和 BeyondAIME 中，Seed-Thinking-v1.5 仍然落后于 o3 级别的性能。
对于 GPQA 任务，Seed-Thinking-v1.5 达到 77.3% 的准确率，接近 o3-mini-high 的性能。
在 Codeforces 等代码生成场景中，Seed-Thinking-v1.5 的性能与 Gemini 2.5 Pro 的性能相当，但仍落后于 o3-mini-high。
Seed-Thinking-v1.5 在 SimpleQA 上的表现不太理想。但团队认为，该基准测试预训练模型规模的相关性更强，而不是考验推理能力。
许多人看完这篇技术报告，都很感兴趣，不过找了一圈也没找到模型在哪发布。
从技术报告的口径来看，该模型与目前豆包中的 Doubao-1.5 Pro 并不是一回事。
但从作者名单看，这是由字节 Seed 团队负责人吴永辉带队，主要成员都参与的大项目。
那么是否将来会部署到豆包 APP，可以期待一波了。
论文地址：
github.com/ByteDance-S...
欢迎在评论区留下你的想法！
--- 完 ---