개요
GRPO(그룹 상대 정책 최적화)는 PPO에서 사용하는 별도의 가치 네트워크를 제거하여 동일한 프롬프트에 대한 형제 답변 그룹에 대해 각 답변을 판단하는 미세 조정 언어 모델을 위한 강화 학습 방법입니다. 이는 DeepSeek 추론 모델의 핵심 훈련 트릭으로 유명해졌습니다.
그룹 상대 정책 최적화는 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 구성 요소입니다.
심층 분석
GRPO는 대규모 언어 모델의 RL 미세 조정을 더 저렴하고 안정적으로 만들기 위해 설계된 정책 그라데이션 강화 학습의 변형입니다. 표준 PPO에는 각 토큰이 얼마나 좋은지 추정하기 위해 대략 정책 자체만큼 큰 학습된 '비평가'(가치 모델)가 필요합니다. GRPO는 해당 비평가를 완전히 제거합니다. 각 프롬프트에 대해 완료 그룹(예: 8~64개)을 샘플링하고 보상 신호로 모두 점수를 매긴 다음 그룹의 평균 및 표준 편차에 대한 보상을 표준화하여 각 완료의 이점을 계산합니다. 평균 이상의 답변은 강화되고 평균 미만의 답변은 억제됩니다. KL-divergence 항은 모델을 참조 정책에 가깝게 유지합니다. DeepSeek에 의해 도입된 이 제품은 DeepSeekMath 및 DeepSeek-R1 추론 모델을 강화했습니다.
기술적 통찰력
핵심 아이디어는 PPO의 학습 가치 기준을 몬테카를로 그룹 기준으로 대체하는 것입니다. 보상 r_i가 있는 출력 그룹의 경우 각 이점은 A_i = (r_i - 평균(r)) / std(r)입니다. 정규화된 점수는 PPO에서와 마찬가지로 잘린 확률 비율을 곱하고 고정 참조 모델에 대한 KL 페널티는 드리프트를 억제합니다. 비평가가 훈련되지 않기 때문에 메모리와 컴퓨팅은 대략 절반으로 줄어들고 프롬프트별 정규화는 자연스럽게 확장되고 분산이 낮은 이점을 제공합니다.
마스터링 그룹 상대 정책 최적화
GRPO(그룹 상대 정책 최적화)는 PPO에서 사용하는 별도의 가치 네트워크를 제거하여 동일한 프롬프트에 대한 형제 답변 그룹에 대해 각 답변을 판단하는 미세 조정 언어 모델을 위한 강화 학습 방법입니다. 이는 DeepSeek 추론 모델의 핵심 훈련 트릭으로 유명해졌습니다. 그룹 상대 정책 최적화는 모델 품질, 인프라 비용, 대기 시간 및 규모에 따른 안정성에 영향을 미치는 기술 구성 요소입니다. 깊은 이해를 구축하려면 그룹 상대 정책 최적화를 단일 기능이 아닌 운영 모델로 취급하십시오. 즉, 원하는 결과를 정의하고, 가정을 명확히 하고, 시스템이 안정적으로 수행할 수 있는 작업과 여전히 전문가 판단이 필요한 작업을 분리하세요.
실제로 그룹 상대 정책 최적화를 사용하는 강력한 팀은 안정성과 비용에 맞춰 아키텍처, 데이터 및 인프라 선택을 최적화합니다. 명시적인 성공 기준을 문서화하고, 현실적인 데이터 및 워크플로를 기준으로 테스트하며, 일회성 벤치마크 승리보다는 관찰된 실패 패턴을 기반으로 반복합니다. 이론적 이해가 제품, 정책, 운영 전반에 걸쳐 지속 가능한 역량으로 바뀌는 곳입니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 동시에 하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다. 가장 탄력적인 접근 방식은 실험 속도와 거버넌스 규율을 결합하는 것입니다. 즉, 파일럿 실행, 증거 캡처, 결정 로그 게시, 모델 동작, 사용자 기대 및 규제 요구 사항이 발전함에 따라 보호 장치를 지속적으로 업데이트합니다.
전략적 영향
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다.
아키텍처 결정은 수년간 성능과 운영 비용을 결정합니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다. 고품질 배포에서는 이는 측정 가능한 운영 규칙, 소유권 경계 및 반복적인 검토 의식으로 변환되므로 팀은 모호성을 확장하는 대신 자신감을 확장할 수 있습니다.
실제 구현
수학 문제에 대한 규칙 기반 정확성 보상을 사용하여 긴 사고 연쇄 추론을 생성하도록 DeepSeek-R1 및 DeepSeekMath 교육
샘플링된 각 솔루션이 단위 테스트 통과 여부에 따라 점수가 매겨지고 그룹이 정규화되어 승자를 선택하는 미세 조정 코드 생성 모델
별도의 가치 네트워크 비용을 지불하지 않고 GRPO를 사용하여 채팅 모델을 정렬하는 오픈 소스 RLHF 파이프라인(예: TRL 및 verl 라이브러리)
프롬프트당 여러 응답을 샘플링하고 동료에 비해 보상 모델 비율이 가장 높은 응답에 보상을 제공하여 지시 따르기 또는 안전 행동을 개선합니다.
구현 패턴
그룹 관련 정책 최적화의 실제 사례
수학 문제에 대한 규칙 기반 정확성 보상을 사용하여 긴 사고 사슬 추론을 생성하도록 DeepSeek-R1 및 DeepSeekMath를 교육합니다.
DeepSeek-R1 및 DeepSeekMath를 교육하여 수학 문제에 대한 규칙 기반 정확성 보상을 사용하여 긴 사고 사슬 추론을 생성합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
그룹 관련 정책 최적화의 실제 사례
샘플링된 각 솔루션이 단위 테스트 통과 여부에 따라 점수가 매겨지고 그룹이 정규화되어 승자를 선택하는 미세 조정 코드 생성 모델입니다.
샘플링된 각 솔루션이 단위 테스트 통과 여부에 따라 점수가 매겨지고 그룹이 정규화되어 승자를 선택하는 미세 조정 코드 생성 모델 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
그룹 관련 정책 최적화의 실제 사례
별도의 가치 네트워크 비용을 지불하지 않고 GRPO를 사용하여 채팅 모델을 조정하는 오픈 소스 RLHF 파이프라인(예: TRL 및 verl 라이브러리)
별도의 가치 네트워크 비용을 지불하지 않고 채팅 모델을 정렬하기 위해 GRPO를 사용하는 오픈 소스 RLHF 파이프라인(예: TRL 및 verl 라이브러리) 팀은 일반적으로 품질 임계값을 미리 정의하고, 엣지 케이스에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
그룹 관련 정책 최적화의 실제 사례
프롬프트당 여러 응답을 샘플링하고 동료에 비해 보상 모델 비율이 가장 높은 응답에 보상하여 지시 따르기 또는 안전 행동을 개선합니다.
프롬프트당 여러 응답을 샘플링하고 동료에 비해 가장 높은 보상 모델 등급을 부여함으로써 지시 따르기 또는 안전 행동을 개선합니다. 팀은 일반적으로 품질 임계값을 미리 정의하고, 극단적인 경우에 대한 인적 에스컬레이션 경로를 유지하고, 시간이 지남에 따라 생산성 향상과 오류 비용을 모두 추적할 때 더 나은 결과를 얻습니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요. 각 단계를 증거 게이트로 처리합니다. 기준이 충족되지 않으면 롤아웃을 일시 중지하고 간격을 좁힌 다음 사용을 확장합니다.