RLHF의 그룹화된 보상 정규화
그룹화된 보상 정규화는 동일한 프롬프트에 대한 일련의 응답 내에서 모델의 보상을 표준화하여 시끄러운 점수를 안정적인 훈련 신호로 전환합니다.
개요
It is the core trick behind GRPO, the algorithm that powers many modern reasoning models.
심층 분석
인간 피드백을 통한 강화 학습(RLHF)에서는 모델이 응답을 생성하고 보상 모델이 이에 대해 점수를 매깁니다. 그러나 원시 보상은 잡음이 많고 프롬프트에 따라 크게 다릅니다. 그룹화된 보상 정규화는 동일한 프롬프트에 대한 여러 응답 그룹을 샘플링한 다음 그룹 평균을 빼고 그룹의 표준 편차로 나누어 각 보상을 정규화함으로써 이 문제를 해결합니다. 이 z-점수가 장점이 됩니다. 이 접근 방식은 DeepSeek-R1의 추론을 뒷받침한 것으로 유명한 DeepSeek에서 도입한 GRPO(그룹 상대 정책 최적화)의 핵심입니다. 결정적으로, GRPO는 그룹 평균이 기준선 역할을 하기 때문에 PPO가 사용하는 별도의 가치 네트워크(비평가)를 제거합니다. 이를 통해 경사 신호의 크기를 적절하게 유지하면서 훈련을 더 간단하고 저렴하며 메모리 효율적으로 만들 수 있습니다.
기술적 통찰력
보상이 r_1...r_G인 출력 그룹의 경우 장점은 A_i = (r_i − 평균(r)) / std(r)입니다. 그룹의 평균보다 더 좋은 반응은 긍정적인 이점을 얻고 강화됩니다. 평균보다 나쁜 것은 아래로 밀려납니다. 비교는 프롬프트 내에서 상대적이기 때문에 절대적인 보상 규모와 프롬프트당 난이도가 상쇄되어 차이가 줄어듭니다. GRPO는 모델이 너무 멀리 표류하는 것을 방지하기 위해 참조 정책에 대해 PPO의 잘린 목표와 KL 페널티를 유지합니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
RLHF의 그룹화된 보상 정규화의 미래
그룹화된 정규화는 학습된 비평가 없이도 정확한 수학 답과 같은 검증 가능한 보상을 통해 모델을 학습하는 추론 모델 붐을 촉진합니다. 연구에서는 이를 개선하고 있습니다. 표준 편차로 나눌지 여부, 이점이 전혀 없는 모든 것이 올바른 그룹 또는 잘못된 그룹을 처리하고 그룹 크기를 조정하는 것에 대한 논쟁이 진행되고 있습니다. 자동 검증기가 저렴하고 풍부한 보상 신호를 제공하는 에이전트 도구 사용 및 코드 생성으로 그룹화되고 비판 없는 방법이 확산될 것으로 기대합니다.
실제 구현
문제당 16개의 솔루션을 샘플링하고 그룹의 평균 정확도보다 높은 솔루션을 보상하여 수학 추론 모델을 교육합니다.
각 사용자 프롬프트에 대한 여러 후보 응답에 대한 보상 모델 점수를 정규화하여 챗봇의 유용성을 미세 조정합니다.
샘플링된 각 솔루션이 단위 테스트 통과 여부에 따라 점수가 매겨진 다음 그룹 내에서 정규화되는 코딩 도우미를 개선합니다.
PPO 비평 네트워크를 삭제하고 대신 그룹 평균을 기준으로 사용하여 RLHF 파이프라인에서 GPU 메모리를 줄입니다.
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
RLHF의 그룹화된 보상 정규화가 도움이 되는 부분과 더 간단한 방법이 더 나은 부분에 대한 문서입니다.
계속 탐색하세요
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 Grouped Reward Normalization in RLHF 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
다음 가이드
선호도 최적화의 길이 정규화
자주 묻는 질문
What is Grouped Reward Normalization in RLHF?
그룹화된 보상 정규화는 동일한 프롬프트에 대한 일련의 응답 내에서 모델의 보상을 표준화하여 시끄러운 점수를 안정적인 훈련 신호로 전환합니다. 이는 많은 최신 추론 모델을 지원하는 알고리즘인 GRPO의 핵심 트릭입니다.
그룹화된 보상 정규화에서 각 응답의 보상은 무엇과 비교됩니까?
각 보상은 동일한 프롬프트에 대한 응답 그룹의 평균 및 표준 편차를 사용하여 z-점수로 변환됩니다.
그룹화된 보상 정규화와 가장 관련이 있는 알고리즘은 무엇입니까?
DeepSeek에서 도입하고 DeepSeek-R1에서 사용되는 GRPO는 그룹 내 보상 정규화를 중심으로 구축되었습니다.
GRPO는 표준 PPO의 어떤 구성 요소를 눈에 띄게 제거합니까?
그룹 평균을 기준으로 사용함으로써 GRPO는 학습된 비평가를 삭제하여 메모리와 컴퓨팅을 절약합니다.
보상이 그룹의 평균보다 낮은 응답은 어떻게 되나요?
그룹 평균을 빼면 평균 이하의 응답이 부정적인 이점을 갖게 되어 정책이 해당 응답에서 멀어지게 됩니다.
그룹 내 정규화가 훈련 분산을 줄이는 이유는 무엇입니까?
비교는 각 프롬프트 내에서 상대적이기 때문에 절대 규모와 프롬프트 난이도의 차이는 사라집니다.