目錄

禹棋贏的背景與成就

主要成就

DAPO算法的技術細節

算法優勢

禹棋贏的研究歷程

關鍵時間節點

字節跳動的“Top Seed人才計劃”

計劃特點

小編總結

---

在大模型時代，經驗不再是唯一的衡量標準，好奇心、執行力和對新技術的敏銳洞察力成為推動技術進步的關鍵因素。字節跳動通過“Top Seed人才計劃”為年輕研究者提供資源和平臺，讓他們能夠在前沿技術領域發揮重要作用。本文將詳細介紹字節跳動實習生禹棋贏在強化學習（RL）算法領域的突破性貢獻，以及他如何通過創新思維推動大語言模型（LLM）的性能提升。

禹棋贏的背景與成就

禹棋贏，2001年出生，本科畢業于哈爾濱工業大學，后直博進入清華大學AIR實驗室，目前博士三年級在讀。2024年，他作為研究實習生加入字節跳動的“Top Seed人才計劃”，并迅速展現出卓越的研究能力。在字節跳動大模型團隊內部負責攻堅下一代語言模型的小組中，禹棋贏是唯一一位實習生，且被委以重任，直接負責強化學習方向的研究工作。

主要成就

1. ?DAPO算法的開發：禹棋贏與清華大學AIR聯合實驗室SIA Lab共同開發的強化學習算法DAPO取得顯著成果，助力Qwen2.5-32B模型在AIME 2024基準測試中超越使用DeepSeek GRPO算法的模型，且訓練效率大幅提升。
2. ?aha moment的實現：去年10月，禹棋贏在字節跳動內部首次實現了類似DeepSeek-R1的“aha moment”，通過強化學習顯著提升了模型的推理能力和泛化能力。
3. ?開源項目：禹棋贏已經將DAPO算法開源，為全球研究者提供了新的思路和工具。

DAPO算法的技術細節

DAPO算法是一種基于結果（outcome-based）的獎勵機制進行強化學習，這一創新思路與當時主流方法不同，卻最終被證明是有效的。在字節跳動內部小模型和開源數據集的支持下，禹棋贏通過少量GPU資源不斷迭代優化，成功讓模型自主涌現出復雜的推理能力，甚至超越了當時團隊內部最大的模型。

算法優勢

特性	DAPO算法	DeepSeek GRPO算法
訓練步數	減少50%	標準步數
基準測試得分	50分	45分
推理能力	顯著提升	一般提升

禹棋贏的研究歷程

禹棋贏的研究歷程充滿了創新與突破。他提出使用基于結果（outcome-based）的獎勵機制進行強化學習，這一創新思路與當時主流方法不同，卻最終被證明是有效的。在字節跳動內部小模型和開源數據集的支持下，禹棋贏通過少量GPU資源不斷迭代優化，成功讓模型自主涌現出復雜的推理能力，甚至超越了當時團隊內部最大的模型。

關鍵時間節點

時間	事件
2023年5月	加入字節跳動“Top Seed人才計劃”
2023年10月	實現“aha moment”
2024年1月	DAPO算法開源

字節跳動的“Top Seed人才計劃”

字節跳動通過“Top Seed人才計劃”為年輕研究者提供資源和平臺，讓他們能夠在前沿技術領域發揮重要作用。該計劃不僅提供頂級待遇和算力資源，還鼓勵年輕研究者進行自由探索和創新。

計劃特點

特點	描述
資源支持	提供頂級算力資源
待遇	業界頂級待遇
探索空間	鼓勵自由探索和創新

小編總結

禹棋贏的故事反映了當下AI行業對年輕人才的重視。在大模型時代，經驗不再是唯一的衡量標準，好奇心、執行力和對新技術的敏銳洞察力成為推動技術進步的關鍵因素。字節跳動通過“Top Seed人才計劃”為年輕研究者提供資源和平臺，讓他們能夠在前沿技術領域發揮重要作用。禹棋贏的突破性貢獻不僅為字節跳動在大語言模型領域的技術突破奠定了基礎，也為全球研究者提供了新的思路和工具。