Aperçu
L'optimisation de la politique relative de groupe (GRPO) est une méthode d'apprentissage par renforcement permettant d'affiner les modèles de langage qui juge chaque réponse par rapport à un groupe de réponses frères et sœurs à la même invite, éliminant ainsi le réseau de valeurs distinct utilisé par PPO. Il est devenu célèbre comme étant l'astuce de formation principale derrière les modèles de raisonnement de DeepSeek.
L’optimisation relative des politiques de groupe est un élément technique qui affecte la qualité du modèle, le coût de l’infrastructure, la latence et la fiabilité à grande échelle.
Plongée profonde
GRPO est une variante de l'apprentissage par renforcement par gradient de politique conçu pour rendre le réglage fin RL de grands modèles de langage moins cher et plus stable. Le PPO standard a besoin d'un « critique » (modèle de valeur) appris, à peu près aussi grand que la politique elle-même, pour estimer la qualité de chaque jeton. Le GRPO supprime entièrement cette critique. Pour chaque invite, il échantillonne un groupe d'achèvements (disons 8 à 64), les note tous avec un signal de récompense, puis calcule l'avantage de chaque achèvement en standardisant sa récompense par rapport à la moyenne et à l'écart type du groupe. Les réponses supérieures à la moyenne sont renforcées et celles inférieures à la moyenne supprimées. Un terme de divergence KL maintient le modèle proche d'une politique de référence. Introduit par DeepSeek, il alimente DeepSeekMath et les modèles de raisonnement DeepSeek-R1.
Aperçu technique
L'idée clé est de remplacer la référence de valeur apprise de PPO par une référence de groupe de Monte Carlo. Pour un groupe de sorties avec des récompenses r_i, chaque avantage est A_i = (r_i - moyenne(r)) / std(r). Ce score normalisé multiplie le rapport de probabilité écrêté, exactement comme dans PPO, et une pénalité KL par rapport à un modèle de référence gelé freine la dérive. Étant donné qu'aucun critique n'est formé, la mémoire et le calcul sont réduits de moitié environ, et la normalisation par invite offre des avantages naturellement mis à l'échelle et à faible variance.
Maîtriser l’optimisation des politiques relatives de groupe
L'optimisation de la politique relative de groupe (GRPO) est une méthode d'apprentissage par renforcement permettant d'affiner les modèles de langage qui juge chaque réponse par rapport à un groupe de réponses frères et sœurs à la même invite, éliminant ainsi le réseau de valeurs distinct utilisé par PPO. Il est devenu célèbre comme étant l'astuce de formation principale derrière les modèles de raisonnement de DeepSeek. L’optimisation relative des politiques de groupe est un élément technique qui affecte la qualité du modèle, le coût de l’infrastructure, la latence et la fiabilité à grande échelle. Pour acquérir une compréhension approfondie, traitez l'optimisation des politiques relatives de groupe comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
Dans la pratique, des équipes solides utilisant l'optimisation des politiques relatives de groupe optimisent les choix d'architecture, de données et d'infrastructure en fonction de la fiabilité et des coûts. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années. Dans le même temps, l’optimisation d’un benchmark peut masquer des faiblesses plus larges du système. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.
De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Entraîner DeepSeek-R1 et DeepSeekMath pour produire un raisonnement à longue chaîne de pensée en utilisant des récompenses d'exactitude basées sur des règles sur des problèmes mathématiques
Affiner les modèles de génération de code dans lesquels chaque solution échantillonnée est notée selon qu'elle réussit les tests unitaires, et le groupe est normalisé pour choisir les gagnants
Pipelines RLHF open source (par exemple, dans les bibliothèques TRL et verl) utilisant GRPO pour aligner les modèles de discussion sans payer pour un réseau de valeur distinct
Améliorer le respect des instructions ou le comportement de sécurité en échantillonnant plusieurs réponses par invite et en récompensant celles qu'un modèle de récompense obtient les notes les plus élevées par rapport à leurs pairs
Modèles de mise en œuvre
Optimisation de la politique relative de groupe en pratique
Entraîner DeepSeek-R1 et DeepSeekMath pour produire un raisonnement à longue chaîne de pensée en utilisant des récompenses d'exactitude basées sur des règles sur des problèmes mathématiques.
Entraîner DeepSeek-R1 et DeepSeekMath pour produire un raisonnement à longue chaîne de pensée en utilisant des récompenses d'exactitude basées sur des règles sur des problèmes mathématiques. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Optimisation de la politique relative de groupe en pratique
Affiner les modèles de génération de code dans lesquels chaque solution échantillonnée est notée en fonction de sa réussite aux tests unitaires, et le groupe est normalisé pour sélectionner les gagnants.
Affiner les modèles de génération de code dans lesquels chaque solution échantillonnée est notée en fonction de sa réussite aux tests unitaires, et le groupe est normalisé pour choisir les gagnants. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Optimisation de la politique relative de groupe en pratique
Pipelines RLHF open source (par exemple, dans les bibliothèques TRL et verl) utilisant GRPO pour aligner les modèles de discussion sans payer pour un réseau de valeurs distinct.
Pipelines RLHF open source (par exemple, dans les bibliothèques TRL et verl) utilisant GRPO pour aligner les modèles de discussion sans payer pour un réseau de valeur distinct. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Optimisation de la politique relative de groupe en pratique
Améliorer le respect des instructions ou le comportement de sécurité en échantillonnant plusieurs réponses par invite et en récompensant celles qu'un modèle de récompense obtient les notes les plus élevées par rapport à leurs pairs.
Améliorer le respect des instructions ou le comportement de sécurité en échantillonnant plusieurs réponses par invite et en récompensant celles qu'un modèle de récompense obtient les notes les plus élevées par rapport à leurs pairs. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.
Feuille de route de mise en œuvre
Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Benchmark dans des conditions de charge et de données réalistes.
Benchmark dans des conditions de charge et de données réalistes. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.
Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.