Descripción general
La optimización de políticas relativas al grupo (GRPO) es un método de aprendizaje por refuerzo para ajustar los modelos de lenguaje que juzga cada respuesta frente a un grupo de respuestas de hermanos al mismo mensaje, eliminando la red de valores separados utilizada por PPO. Se hizo famoso como el truco de entrenamiento central detrás de los modelos de razonamiento de DeepSeek.
La optimización de políticas relativas al grupo es un componente técnico que afecta la calidad del modelo, el costo de la infraestructura, la latencia y la confiabilidad a escala.
Buceo profundo
GRPO es una variante del aprendizaje por refuerzo de gradiente de políticas diseñada para hacer que el ajuste fino de RL de modelos de lenguaje grandes sea más barato y más estable. La PPO estándar necesita un 'crítico' aprendido (modelo de valor), aproximadamente tan grande como la política misma, para estimar qué tan bueno es cada token. GRPO elimina esa crítica por completo. Para cada indicación, toma una muestra de un grupo de compleciones (por ejemplo, 8 a 64), las califica todas con una señal de recompensa y luego calcula la ventaja de cada compleción estandarizando su recompensa con la media y la desviación estándar del grupo. Las respuestas superiores a la media se refuerzan y las inferiores se suprimen. Un término de divergencia KL mantiene el modelo cerca de una política de referencia. Introducido por DeepSeek, impulsó los modelos de razonamiento DeepSeekMath y DeepSeek-R1.
Información técnica
La idea clave es reemplazar la base de valores aprendidos de PPO con una base de referencia del grupo Monte Carlo. Para un grupo de resultados con recompensas r_i, cada ventaja es A_i = (r_i - media (r)) / std (r). Esa puntuación normalizada multiplica el índice de probabilidad recortado, exactamente como en PPO, y una penalización de KL contra un modelo de referencia congelado frena la deriva. Debido a que ningún crítico está capacitado, la memoria y la computación se reducen aproximadamente a la mitad, y la normalización por indicación brinda ventajas de baja variación y escala natural.
Dominar la optimización de políticas relativas al grupo
La optimización de políticas relativas al grupo (GRPO) es un método de aprendizaje por refuerzo para ajustar los modelos de lenguaje que juzga cada respuesta frente a un grupo de respuestas de hermanos al mismo mensaje, eliminando la red de valores separados utilizada por PPO. Se hizo famoso como el truco de entrenamiento central detrás de los modelos de razonamiento de DeepSeek. La optimización de políticas relativas al grupo es un componente técnico que afecta la calidad del modelo, el costo de la infraestructura, la latencia y la confiabilidad a escala. Para generar una comprensión profunda, trate la optimización de políticas relativas al grupo como un modelo operativo, no como una característica única: defina los resultados deseados, aclare las suposiciones y separe lo que el sistema puede hacer de manera confiable de lo que aún requiere el juicio de expertos.
En la práctica, los equipos sólidos que utilizan la optimización de políticas relativas al grupo optimizan las opciones de arquitectura, datos e infraestructura frente a la confiabilidad y el costo. Documentan criterios de éxito explícitos, se prueban con datos y flujos de trabajo realistas y se iteran en función de patrones de error observados en lugar de victorias de referencia únicas. Aquí es donde la comprensión teórica se convierte en una capacidad duradera en todos los productos, políticas y operaciones.
Las decisiones de arquitectura impulsan el rendimiento y los costos operativos durante años. Al mismo tiempo, la optimización de un punto de referencia puede ocultar debilidades más amplias del sistema. El enfoque más resiliente es combinar la velocidad de experimentación con la disciplina de gobernanza: ejecutar pilotos, capturar evidencia, publicar registros de decisiones y actualizar continuamente las salvaguardas a medida que evolucionan el comportamiento del modelo, las expectativas de los usuarios y los requisitos regulatorios.
Impacto Estratégico
Las decisiones de arquitectura impulsan el rendimiento y los costos operativos durante años.
Las decisiones de arquitectura impulsan el rendimiento y los costos operativos durante años. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
La educación técnica ayuda a los equipos a elegir la pila adecuada, no solo la más nueva.
La educación técnica ayuda a los equipos a elegir la pila adecuada, no solo la más nueva. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
Mejores opciones de ingeniería reducen los incidentes de confiabilidad en la producción.
Mejores opciones de ingeniería reducen los incidentes de confiabilidad en la producción. En implementaciones de alta calidad, esto se traduce en reglas operativas mensurables, límites de propiedad y rituales de revisión recurrentes para que los equipos puedan aumentar la confianza en lugar de aumentar la ambigüedad.
Implementación en el mundo real
Entrenamiento de DeepSeek-R1 y DeepSeekMath para producir razonamientos de larga cadena de pensamiento utilizando recompensas de corrección basadas en reglas en problemas matemáticos
Ajustar los modelos de generación de código donde cada solución de muestra se califica según si pasa las pruebas unitarias y el grupo se normaliza para elegir a los ganadores.
Canalizaciones RLHF de código abierto (por ejemplo, en bibliotecas TRL y verl) que utilizan GRPO para alinear modelos de chat sin pagar por una red de valor separada
Mejorar el seguimiento de instrucciones o el comportamiento de seguridad al muestrear varias respuestas por mensaje y recompensar aquellas que un modelo de recompensa califica más alto en relación con sus pares.
Patrones de implementación
Optimización de políticas relativas al grupo en la práctica
Entrenamiento de DeepSeek-R1 y DeepSeekMath para producir razonamientos de larga cadena de pensamiento utilizando recompensas de corrección basadas en reglas en problemas matemáticos.
Capacitar a DeepSeek-R1 y DeepSeekMath para producir razonamientos de larga cadena de pensamiento utilizando recompensas de corrección basadas en reglas en problemas matemáticos. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Optimización de políticas relativas al grupo en la práctica
Ajustar los modelos de generación de código donde cada solución muestreada se califica según si pasa las pruebas unitarias y el grupo se normaliza para elegir los ganadores.
Ajuste de los modelos de generación de código en los que cada solución de muestra se califica en función de si pasa las pruebas unitarias y el grupo se normaliza para elegir a los ganadores. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalamiento humano para los casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Optimización de políticas relativas al grupo en la práctica
Canalizaciones RLHF de código abierto (por ejemplo, en bibliotecas TRL y verl) que utilizan GRPO para alinear modelos de chat sin pagar por una red de valor separada.
Canalizaciones RLHF de código abierto (por ejemplo, en bibliotecas TRL y verl) que utilizan GRPO para alinear modelos de chat sin pagar por una red de valor separada. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalamiento humano para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Optimización de políticas relativas al grupo en la práctica
Mejorar el seguimiento de instrucciones o el comportamiento de seguridad al muestrear varias respuestas por mensaje y recompensar aquellas que un modelo de recompensa califica más alto en relación con sus pares.
Mejorar el seguimiento de instrucciones o el comportamiento de seguridad al muestrear varias respuestas por mensaje y recompensar las que un modelo de recompensa califica más alto en relación con sus pares. Los equipos generalmente obtienen mejores resultados cuando definen umbrales de calidad por adelantado, mantienen una ruta de escalada humana para casos extremos y realizan un seguimiento tanto de las ganancias de productividad como de los costos de error a lo largo del tiempo.
Riesgos y barandillas
La optimización de un punto de referencia puede ocultar debilidades más amplias del sistema.
Los costos de infraestructura y mantenimiento a menudo se subestiman.
Las brechas de seguridad y observabilidad pueden crecer a medida que los sistemas se vuelven más complejos.
Hoja de ruta de implementación
Defina objetivos de latencia, calidad y costos antes de la implementación.
Defina objetivos de latencia, calidad y costos antes de la implementación. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Comparación en condiciones realistas de carga y datos.
Comparación en condiciones realistas de carga y datos. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Monitoreo de instrumentos para detectar errores, deriva e impacto para el usuario.
Monitoreo de instrumentos para detectar errores, deriva e impacto para el usuario. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.
Prepare rutas de reversión y respuesta a incidentes antes de escalar.
Prepare rutas de reversión y respuesta a incidentes antes de escalar. Trate cada paso como una puerta de evidencia: si no se cumplen los criterios, suspenda la implementación, cierre la brecha y solo entonces amplíe el uso.