SelanjutnyaPanduan berikutnya
Optimalisasi Kebijakan Proksimal
Bahasa AI
PANDUAN Teknis
Optimasi Kebijakan Relatif Grup
Pengoptimalan Kebijakan Relatif Grup (GRPO) adalah metode pembelajaran penguatan untuk menyempurnakan model bahasa yang menilai setiap jawaban berdasarkan sekelompok jawaban saudara terhadap perintah yang sama, menghilangkan jaringan nilai terpisah yang digunakan oleh PPO.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
It became famous as the core training trick behind DeepSeek's reasoning models.
Menyelam Lebih Dalam
GRPO is a variant of policy-gradient reinforcement learning designed to make RL fine-tuning of large language models cheaper and more stable. Many PPO implementations train a value model to estimate returns; its size and cost depend on the implementation. GRPO removes that critic entirely. For each prompt it samples a group of completions (say 8-64), scores them all with a reward signal, and then computes each completion's advantage by standardizing its reward against the group's mean and standard deviation. Above-average answers are reinforced and below-average ones suppressed. A KL-divergence term keeps the model close to a reference policy. Introduced by DeepSeek, it powered DeepSeekMath and the DeepSeek-R1 reasoning models.
Implementasi Dunia Nyata
Melatih DeepSeek-R1 dan DeepSeekMath untuk menghasilkan penalaran rantai pemikiran yang panjang menggunakan penghargaan kebenaran berbasis aturan pada soal matematika
Menyempurnakan model pembuatan kode di mana setiap solusi sampel diberi skor berdasarkan apakah solusi tersebut lulus pengujian unit, dan grup dinormalisasi untuk memilih pemenang
Pipeline RLHF sumber terbuka (misalnya, di perpustakaan TRL dan verl) menggunakan GRPO untuk menyelaraskan model obrolan tanpa membayar jaringan nilai terpisah
Meningkatkan kepatuhan terhadap instruksi atau perilaku keselamatan dengan mengambil contoh beberapa respons per perintah dan memberikan penghargaan kepada respons yang diberikan model penghargaan dengan nilai tertinggi dibandingkan rekan-rekan mereka
Masa Depan Optimalisasi Kebijakan Relatif Grup
GRPO dengan cepat menjadi resep standar untuk melatih model penalaran terbuka, dan laboratorium terus mengulangi titik lemahnya. Para peneliti sedang menjajaki perbaikan untuk bias panjang dan kesulitan (seperti Dr. GRPO), normalisasi tingkat token daripada tingkat urutan, dan menghilangkan atau membentuk kembali istilah KL. Harapkan integrasi yang lebih erat dengan imbalan yang dapat diverifikasi (matematika, kode, penggunaan alat), penanganan sinyal jarang yang lebih baik, dan hibrida yang menggabungkan garis dasar grup dengan kritik ringan untuk tugas-tugas yang bersifat agen dan multi-langkah.
Mempraktikkannya
Mengapa itu penting
- Biaya dan anggaran. Keputusan arsitektur mendorong kinerja dan biaya pengoperasian selama bertahun-tahun.
- Keputusan yang lebih jelas. Pendidikan teknis membantu tim memilih tumpukan yang tepat, bukan hanya yang terbaru.
- Kontrol kualitas. Pilihan teknik yang lebih baik mengurangi insiden keandalan dalam produksi.
Hati-hati
- Mengoptimalkan satu tolok ukur dapat menyembunyikan kelemahan sistem yang lebih luas.
- Biaya infrastruktur dan pemeliharaan sering kali diremehkan.
- Kesenjangan keamanan dan kemampuan observasi dapat tumbuh seiring dengan semakin kompleksnya sistem.
Langkah selanjutnya
- Tentukan target latensi, kualitas, dan biaya sebelum penerapan.
- Tolok ukur dalam kondisi beban dan data yang realistis.
- Pemantauan instrumen untuk kesalahan, penyimpangan, dan dampak pengguna.
- Siapkan jalur rollback dan respons insiden sebelum melakukan penskalaan.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Group Relative Policy Optimization quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
What is Group Relative Policy Optimization?
Pengoptimalan Kebijakan Relatif Grup (GRPO) adalah metode pembelajaran penguatan untuk menyempurnakan model bahasa yang menilai setiap jawaban berdasarkan sekelompok jawaban saudara terhadap perintah yang sama, menghilangkan jaringan nilai terpisah yang digunakan oleh PPO. Ini menjadi terkenal sebagai trik pelatihan inti di balik model penalaran DeepSeek.
Which separately learned estimator does the original GRPO approach avoid training?
GRPO uses a group-relative baseline rather than a separately learned value estimator. The size and resource savings depend on the PPO implementation used for comparison.
Bagaimana GRPO menghitung keuntungan untuk penyelesaian tertentu?
Keuntungan setiap penyelesaian adalah (hadiah - rata-rata kelompok) / deviasi standar kelompok, sehingga kelompok jawaban terhadap perintah yang sama bertindak sebagai garis dasar.
Model manakah yang membuat GRPO terkenal?
GRPO diperkenalkan dan dipopulerkan oleh DeepSeek, terutama di DeepSeekMath dan sebagai mesin RL di balik model penalaran DeepSeek-R1.
Apa peran istilah KL-divergence dalam GRPO?
Penalti KL terhadap model acuan (biasanya pra-RL) mengatur pelatihan sehingga kebijakan menjadi lebih baik tanpa menyebabkan keruntuhan atau penurunan keluaran.
Mengapa GRPO sangat menarik untuk melatih model penalaran matematika atau kode?
Mengambil sampel banyak solusi dan menilai solusi tersebut dengan pemeriksaan kebenaran otomatis yang berpasangan dengan keunggulan GRPO yang dinormalisasi grup, tidak diperlukan kritik.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini