一、推理大模型以及KAG的进展和一些思考

最近，我和昊奋以及徐彬两位老师聊了聊推理模型革命，有一些有趣的观点，内容较多，https://mp.weixin.qq.com/s/xqSZTtukR3DqfC8EBlfSIQ，大家感兴趣的可以看看，主要谈到了一些有趣的点，包括：什么是“慢思考”与推理模型革命、推理模型的核心技术突破与挑战、产业AI新范式：从“数据驱动”转向“知识+数据双驱动” 、推理模型的局限与破局之道以及人机协同与未来展望等。

例如，关于快思考 VS 慢思考：

又如，关于推理模型适合做什么？

又如推理大模型出来之后的陌生化现象

此外，RAG方向，蚂蚁梁磊老师团队的工作页更新啦，https://github.com/OpenSPG/openspg，https://github.com/OpenSPG/KAG，https://openspg.github.io/v2/，这里有个点，理清，就是OpenSPG和KAG关系。

OpenSPG是语义增强的可编程知识图谱，KAG是一个知识增强生成的专业领域知识服务框架，KAG依赖OpenSPG提供的引擎依赖适配、知识索引、逻辑推理等能力，用于构建垂直领域知识库的逻辑推理问答。

KAG的核心之一是提出一种逻辑符号引导的混合求解和推理引擎，该引擎包括三种类型的运算符：规划、推理和检索，将自然语言问题转化为结合语言和符号的问题求解过程。在这个过程中，每一步都可以利用不同的运算符，如精确匹配检索、文本检索、数值计算或语义推理，从而实现四种不同问题求解过程的集成：图谱推理、逻辑计算、Chunk 检索和 LLM 推理。

具体使用可以看看：https://openspg.yuque.com/ndx6g9/0.6/pse8ku7bpqsd5d3x

二、DeepMath-103K推理数据集构造方案

最近的工作《DeepMath-103K: A Large-Scale, Challenging, Decontaminated, and Verifiable Mathematical Dataset for Advancing Reasoning》(https://arxiv.org/pdf/2504.11456,https://github.com/zwhe99/DeepMath)，包括高难度、可验证的最终答案和多种解决方案路径。

其中关于数据构建上，可以看下怎么做的，如下所示，是一个数据生产流程：

1、数据集有什么特点

重点关注困难的数学问题**（主要是 5-9 级）**，与许多现有的开放数据集相比，复杂性高一些，如下面就是代表性的数据集

数据集涵盖了广泛的数学学科，包括代数、微积分、数论、几何、概率和离散数学。

由多种来源构建而成，并使用语义匹配技术，根据常用基准进行了细致的去污处理。这最大限度地减少了测试集泄漏，并促进了公平的模型评估。

每个样本都DeepMath-103K包含丰富的信息，包括：问题，数学问题陈述；最终答案，可靠且可验证的最终答案；难度，用于难度感知训练或分析的数值分数；主题，针对特定主题应用的层次分类；R1解决方案，来自DeepSeek-R1的三种不同的推理路径。

2、如何做去污染？

榜单污染是目前数据集普遍存在的问题，因此，为了降低这一问题的影响，有多种应对策略。

一个是语义相似度搜索，对于原始数据集中的每个候选问题，使用paraphrase-multilingual-MiniLM-L12-v2模型进行语义相似度搜索，识别出与目标基准测试集中最相似的例子。

一个是LLM-Judge比较，将每个候选问题与检索到的最相似示例进行比较，使用Llama-3.3-70B-Instruct模型判断它们是否构成相同的问题或同义句。为了减少位置偏差，每对候选问题进行两次比较，每次交换问题的顺序。

一个是去重处理，如果任何一次比较中发现潜在的同义或重复问题，则将该候选问题丢弃。

3、怎么做的难度？

采用了Omni-MATH（https://huggingface.co/datasets/KbsdJames/Omni-MATH，https://arxiv.org/pdf/2410.07985v3）的方案，通过提示GPT-4o为每个去污染的问题分配一个难度等级。

对每个问题进行了六次查询，并平均其结果评分以确定其最终难度等级。随后，采用了一个严格的过滤标准，只保留估计难度等级为5级或以上的问题。

4、这个数据集能用来做什么？

可以从一下几个方向上去开展下游应用。

一个是监督微调，每个问题提供三个不同的R1生成的解决方案，创建丰富的监督训练语料库。这种多样性有助于模型学习不同的解题策略，从而更好地泛化到未见过的问题。

一个是模型蒸馏，较大的教师模型（如R1-Distill-Qwen-1.5B）可以将多样化的解题风格传授给较小的学生模型，增强学生模型的覆盖范围和解题策略。

一个是基于规则的强化学习（如RL-Zero），每个问题提供可验证的最终答案，直接应用于RL框架中的规则奖励，促进深度推理。

一个是奖励建模，设计区分高质量和低质量推理步骤的奖励模型，这在RL框架中不仅可以改进策略梯度，还可以在多步解码管道中重新排序或评分候选解决方案。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】