UCLA等机构的研究者发现，虽然目前已经涌现出许多试图复现DeepSeek-R1的研究，然而这些研究大多遭遇了这个难点：很难复现出R1所表现出的回答长度增加和思考模式。

在人工智能领域，最近发生了一项震撼性的技术突破，加州大学洛杉矶分校（UCLA）的一支研究团队成功地在未经监督的2B参数模型上实现了多模态推理的「啊哈时刻」。这一成果不仅展示了强化学习（RL）在推理能力提升方面的潜力，也为未来的多模态AI研究提供了新的方向。在当前AI快速发展的环境中，这无疑是一个值得关注的里程碑。

在人工智能领域，训练大型语言模型（LLMs）已成为推动技术进步的重要方向。然而，随着模型规模和数据集的不断扩大，传统的优化方法 —— 特别是 AdamW—— 逐渐显露出其局限性。研究人员面临着计算成本高、训练不稳定等一系列挑战，包括梯度消失或爆炸、参数矩阵更新不一致及分布式环境下的资源需求高等问题。因此，迫切需要更高效、更稳定的优化技术来应对这些复杂性。