গ্রুপ রিলেটিভ পলিসি অপ্টিমাইজেশান
গ্রুপ রিলেটিভ পলিসি অপ্টিমাইজেশান (GRPO) হল ফাইন-টিউনিং ল্যাঙ্গুয়েজ মডেলের জন্য একটি রিইনফোর্সমেন্ট-লার্নিং পদ্ধতি যা প্রতিটি উত্তরকে একই প্রম্পটে ভাইবোন উত্তরের একটি গ্রুপের বিপরীতে বিচার করে, PPO দ্বারা ব্যবহৃত আলাদা ভ্যালু নেটওয়ার্ক বাদ দেয়।
ওভারভিউ
এটি DeepSeek যুক্তি মডেলগুলির পিছনে মূল প্রশিক্ষণ কৌশল হিসাবে বিখ্যাত হয়েছিল।
গভীর ডুব
GRPO হল পলিসি-গ্রেডিয়েন্ট রিইনফোর্সমেন্ট লার্নিং এর একটি বৈকল্পিক যা বৃহৎ ভাষার মডেলের RL ফাইন-টিউনিংকে সস্তা এবং আরও স্থিতিশীল করার জন্য ডিজাইন করা হয়েছে। প্রতিটি টোকেন কতটা ভাল তা অনুমান করার জন্য স্ট্যান্ডার্ড পিপিও-এর জন্য একজন শেখা 'সমালোচক' (মূল্যের মডেল) প্রয়োজন, মোটামুটি নীতির মতোই বড়। GRPO সেই সমালোচককে সম্পূর্ণরূপে সরিয়ে দেয়। প্রতিটি প্রম্পটের জন্য এটি সমাপ্তির একটি গোষ্ঠীর নমুনা দেয় (বলুন 8-64), একটি পুরষ্কার সংকেত দিয়ে সেগুলিকে স্কোর করে এবং তারপর গ্রুপের গড় এবং মানক বিচ্যুতির বিপরীতে তার পুরস্কারের মান নির্ধারণ করে প্রতিটি সমাপ্তির সুবিধা গণনা করে। উপরে-গড় উত্তরগুলিকে শক্তিশালী করা হয় এবং নীচের-গড় উত্তরগুলিকে চাপা দেওয়া হয়। একটি কেএল-ডাইভারজেন্স শব্দ মডেলটিকে একটি রেফারেন্স নীতির কাছাকাছি রাখে। DeepSeek দ্বারা প্রবর্তিত, এটি DeepSeekMath এবং DeepSeek-R1 যুক্তি মডেলগুলিকে চালিত করে৷
প্রযুক্তিগত অন্তর্দৃষ্টি
মূল ধারণাটি হল PPO-এর শেখা মান বেসলাইনকে মন্টে কার্লো গ্রুপ বেসলাইন দিয়ে প্রতিস্থাপন করা। পুরষ্কার r_i সহ আউটপুটগুলির একটি গ্রুপের জন্য, প্রতিটি সুবিধা হল A_i = (r_i - গড়(r)) / std(r)। সেই স্বাভাবিক স্কোর ক্লিপড সম্ভাব্যতা অনুপাতকে গুণ করে, ঠিক PPO-এর মতো, এবং হিমায়িত রেফারেন্স মডেলের ড্রিফ্টের বিরুদ্ধে KL পেনাল্টি। যেহেতু কোন সমালোচক প্রশিক্ষিত নয়, মেমরি এবং গণনা মোটামুটি অর্ধেক হয়ে যায় এবং প্রতি-প্রম্পট স্বাভাবিকীকরণ স্বাভাবিকভাবে স্কেল করা, কম বৈচিত্র্য সুবিধা দেয়।
কৌশলগত প্রভাব
খরচ ও বাজেট
আর্কিটেকচারের সিদ্ধান্তগুলি বছরের পর বছর ধরে কর্মক্ষমতা এবং অপারেটিং খরচ চালায়।
সুস্পষ্ট সিদ্ধান্ত
কারিগরি শিক্ষা দলগুলোকে সঠিক স্ট্যাক বেছে নিতে সাহায্য করে, শুধু নতুনটি নয়।
মান নিয়ন্ত্রণ
ভালো ইঞ্জিনিয়ারিং পছন্দ উৎপাদনে নির্ভরযোগ্যতার ঘটনা কমিয়ে দেয়।
গ্রুপ রিলেটিভ পলিসি অপ্টিমাইজেশানের ভবিষ্যত
GRPO দ্রুত ওপেন রিজনিং মডেলের প্রশিক্ষণের জন্য একটি ডিফল্ট রেসিপি হয়ে উঠেছে, এবং ল্যাবগুলি এর দুর্বল জায়গায় পুনরাবৃত্তি করছে। গবেষকরা দৈর্ঘ্য এবং অসুবিধার পক্ষপাত (যেমন ড. GRPO), সিকোয়েন্স-লেভেলের স্বাভাবিকীকরণের পরিবর্তে টোকেন-লেভেল, এবং KL শব্দটিকে অপসারণ বা পুনরায় আকার দেওয়ার জন্য সমাধানগুলি অন্বেষণ করছেন। যাচাইযোগ্য পুরষ্কার (গণিত, কোড, টুল ব্যবহার), স্পার্স সিগন্যালগুলির আরও ভাল পরিচালনা এবং এজেন্টিক, বহু-পদক্ষেপের কাজের জন্য লাইটওয়েট সমালোচকদের সাথে গ্রুপ বেসলাইনগুলিকে একত্রিত করে এমন হাইব্রিডগুলির সাথে আরও কঠোর একীকরণের প্রত্যাশা করুন।
বাস্তব-বিশ্ব বাস্তবায়ন
গণিতের সমস্যার উপর নিয়ম-ভিত্তিক শুদ্ধতা পুরস্কার ব্যবহার করে দীর্ঘ চেইন-অফ-থট যুক্তি তৈরি করতে DeepSeek-R1 এবং DeepSeekMath প্রশিক্ষণ দেওয়া
ফাইন-টিউনিং কোড-জেনারেশন মডেল যেখানে প্রতিটি স্যাম্পল সল্যুশন ইউনিট পরীক্ষায় উত্তীর্ণ হয়েছে কিনা তা দ্বারা স্কোর করা হয় এবং বিজয়ীদের বাছাই করার জন্য গ্রুপকে স্বাভাবিক করা হয়
ওপেন সোর্স RLHF পাইপলাইনগুলি (যেমন, TRL এবং verl লাইব্রেরিতে) GRPO ব্যবহার করে আলাদা মান নেটওয়ার্কের জন্য অর্থ প্রদান না করে চ্যাট মডেলগুলি সারিবদ্ধ করা
নির্দেশ-অনুসরণ বা নিরাপত্তা আচরণের উন্নতি করে প্রতি প্রম্পটে বেশ কয়েকটি প্রতিক্রিয়ার নমুনা তৈরি করে এবং পুরস্কৃত করা একটি পুরস্কার মডেলের হার তাদের সহকর্মীদের তুলনায় সর্বোচ্চ।
ঝুঁকি এবং প্রহরী
একটি বেঞ্চমার্ক অপ্টিমাইজ করা বৃহত্তর সিস্টেম দুর্বলতা আড়াল করতে পারে।
অবকাঠামো এবং রক্ষণাবেক্ষণের খরচ প্রায়ই অবমূল্যায়ন করা হয়।
সিস্টেমগুলি আরও জটিল হওয়ার সাথে সাথে সুরক্ষা এবং পর্যবেক্ষণযোগ্যতার ফাঁক বাড়তে পারে।
বাস্তবায়ন রোডম্যাপ
বাস্তবায়নের আগে বিলম্ব, গুণমান এবং খরচের লক্ষ্য নির্ধারণ করুন।
বাস্তবসম্মত লোড এবং ডেটা অবস্থার অধীনে বেঞ্চমার্ক।
ত্রুটি, প্রবাহ, এবং ব্যবহারকারীর প্রভাবের জন্য যন্ত্র পর্যবেক্ষণ।
স্কেল করার আগে রোলব্যাক এবং ঘটনার প্রতিক্রিয়া পাথ প্রস্তুত করুন।
অন্বেষণ চালিয়ে যান
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Group Relative Policy Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
পরবর্তী গাইড
প্রক্সিমাল পলিসি অপ্টিমাইজেশান
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
গ্রুপ রিলেটিভ পলিসি অপ্টিমাইজেশন কী?
গ্রুপ রিলেটিভ পলিসি অপ্টিমাইজেশান (GRPO) হল ফাইন-টিউনিং ল্যাঙ্গুয়েজ মডেলের জন্য একটি রিইনফোর্সমেন্ট-লার্নিং পদ্ধতি যা প্রতিটি উত্তরকে একই প্রম্পটে ভাইবোন উত্তরের একটি গ্রুপের বিপরীতে বিচার করে, PPO দ্বারা ব্যবহৃত আলাদা ভ্যালু নেটওয়ার্ক বাদ দেয়। এটি DeepSeek এর যুক্তি মডেলের পিছনে মূল প্রশিক্ষণ কৌশল হিসাবে বিখ্যাত হয়ে ওঠে।
PPO-এর কোন প্রধান উপাদান GRPO বাদ দেয়?
GRPO-এর স্বাক্ষর পরিবর্তন PPO-এর শেখা মান/সমালোচক মডেলকে বাদ দিচ্ছে, যা সাধারণত পলিসির আকারের সমান, যথেষ্ট মেমরি এবং গণনা সংরক্ষণ করে।
GRPO কিভাবে একটি প্রদত্ত সমাপ্তির সুবিধা গণনা করে?
প্রতিটি সমাপ্তির সুবিধা হল (পুরস্কার - গ্রুপ গড়) / গ্রুপ স্ট্যান্ডার্ড বিচ্যুতি, তাই একই প্রম্পটের উত্তরের গ্রুপ বেসলাইন হিসাবে কাজ করে।
কোন মডেলগুলি GRPO কে সুপরিচিত করেছে?
ডিপসিক দ্বারা GRPO প্রবর্তন ও জনপ্রিয়তা লাভ করে, বিশেষ করে DeepSeekMath-এ এবং DeepSeek-R1 রিজনিং মডেলের পিছনে RL ইঞ্জিন হিসেবে।
GRPO-তে KL-ডাইভারজেন্স শব্দটি কী ভূমিকা পালন করে?
একটি রেফারেন্স (সাধারণত প্রাক-আরএল) মডেলের বিরুদ্ধে একটি কেএল পেনাল্টি প্রশিক্ষণকে নিয়মিত করে যাতে নীতিটি ভেঙে না পড়ে বা অধঃপতিত আউটপুটে প্রবাহিত না হয়েই উন্নতি করে।
কেন GRPO গণিত বা কোডের উপর যুক্তির মডেল প্রশিক্ষণের জন্য বিশেষভাবে আকর্ষণীয়?
অনেক সমাধানের নমুনা তৈরি করা এবং GRPO-এর গ্রুপ-স্বাভাবিক সুবিধার সাথে স্বয়ংক্রিয়ভাবে শুদ্ধতা চেক জোড়া দিয়ে স্কোর করা, কোনো সমালোচকের প্রয়োজন নেই।