Visão geral
A Otimização de Política Relativa de Grupo (GRPO) é um método de aprendizagem por reforço para ajustar modelos de linguagem que avalia cada resposta em relação a um grupo de respostas irmãs ao mesmo prompt, eliminando a rede de valores separada usada pelo PPO. Tornou-se famoso como o principal truque de treinamento por trás dos modelos de raciocínio do DeepSeek.
A Otimização de Política Relativa de Grupo é um componente técnico que afeta a qualidade do modelo, o custo da infraestrutura, a latência e a confiabilidade em escala.
Mergulho profundo
GRPO é uma variante do aprendizado por reforço de gradiente de política projetado para tornar o ajuste fino de RL de grandes modelos de linguagem mais barato e mais estável. O PPO padrão precisa de um “crítico” aprendido (modelo de valor), aproximadamente tão grande quanto a própria política, para estimar a qualidade de cada token. GRPO remove totalmente esse crítico. Para cada solicitação, ele amostra um grupo de conclusões (digamos 8-64), pontua todas elas com um sinal de recompensa e, em seguida, calcula a vantagem de cada conclusão padronizando sua recompensa em relação à média e ao desvio padrão do grupo. As respostas acima da média são reforçadas e as abaixo da média são suprimidas. Um termo de divergência KL mantém o modelo próximo de uma política de referência. Introduzido pelo DeepSeek, ele alimentou os modelos de raciocínio DeepSeekMath e DeepSeek-R1.
Visão técnica
A ideia principal é substituir a linha de base do valor aprendido do PPO por uma linha de base do grupo de Monte Carlo. Para um grupo de resultados com recompensas r_i, cada vantagem é A_i = (r_i - média(r)) / std(r). Essa pontuação normalizada multiplica a razão de probabilidade reduzida, exatamente como no PPO, e uma penalidade KL contra um modelo de referência congelado restringe o desvio. Como nenhum crítico é treinado, a memória e a computação caem aproximadamente pela metade, e a normalização por prompt oferece vantagens de escala natural e baixa variância.
Dominando a otimização de políticas relativas de grupo
A Otimização de Política Relativa de Grupo (GRPO) é um método de aprendizagem por reforço para ajustar modelos de linguagem que avalia cada resposta em relação a um grupo de respostas irmãs ao mesmo prompt, eliminando a rede de valores separada usada pelo PPO. Tornou-se famoso como o principal truque de treinamento por trás dos modelos de raciocínio do DeepSeek. A Otimização de Política Relativa de Grupo é um componente técnico que afeta a qualidade do modelo, o custo da infraestrutura, a latência e a confiabilidade em escala. Para construir um entendimento profundo, trate a Otimização de Política Relativa de Grupo como um modelo operacional, não como um único recurso: defina os resultados desejados, esclareça suposições e separe o que o sistema pode fazer de forma confiável daquilo que ainda requer avaliação especializada.
Na prática, equipes fortes que usam a Otimização de Política Relativa de Grupo otimizam as opções de arquitetura, dados e infraestrutura em relação à confiabilidade e ao custo. Eles documentam critérios de sucesso explícitos, testam dados e fluxos de trabalho realistas e iteram com base em padrões de falha observados, em vez de ganhos únicos de benchmark. É aqui que a compreensão teórica se transforma em capacidade durável em produtos, políticas e operações.
As decisões de arquitetura impulsionam o desempenho e os custos operacionais durante anos. Ao mesmo tempo, a otimização de um benchmark pode ocultar fraquezas mais amplas do sistema. A abordagem mais resiliente é combinar a velocidade da experimentação com a disciplina de governação: executar pilotos, capturar provas, publicar registos de decisões e atualizar continuamente as salvaguardas à medida que o comportamento do modelo, as expectativas dos utilizadores e os requisitos regulamentares evoluem.
Impacto Estratégico
As decisões de arquitetura impulsionam o desempenho e os custos operacionais durante anos.
As decisões de arquitetura impulsionam o desempenho e os custos operacionais durante anos. Em implantações de alta qualidade, isso se traduz em regras operacionais mensuráveis, limites de propriedade e rituais de revisão recorrentes para que as equipes possam aumentar a confiança em vez de aumentar a ambiguidade.
A educação técnica ajuda as equipes a escolher a pilha certa, não apenas a mais nova.
A educação técnica ajuda as equipes a escolher a pilha certa, não apenas a mais nova. Em implantações de alta qualidade, isso se traduz em regras operacionais mensuráveis, limites de propriedade e rituais de revisão recorrentes para que as equipes possam aumentar a confiança em vez de aumentar a ambiguidade.
Melhores escolhas de engenharia reduzem incidentes de confiabilidade na produção.
Melhores escolhas de engenharia reduzem incidentes de confiabilidade na produção. Em implantações de alta qualidade, isso se traduz em regras operacionais mensuráveis, limites de propriedade e rituais de revisão recorrentes para que as equipes possam aumentar a confiança em vez de aumentar a ambiguidade.
Implementação no mundo real
Treinando DeepSeek-R1 e DeepSeekMath para produzir raciocínio de longa cadeia de pensamento usando recompensas de correção baseadas em regras em problemas matemáticos
Modelos de geração de código de ajuste fino em que cada solução amostrada é pontuada pela aprovação em testes de unidade e o grupo é normalizado para escolher os vencedores
Pipelines RLHF de código aberto (por exemplo, em bibliotecas TRL e verl) usando GRPO para alinhar modelos de chat sem pagar por uma rede de valor separada
Melhorar o seguimento de instruções ou o comportamento de segurança através da amostragem de várias respostas por solicitação e recompensando aquelas que um modelo de recompensa classifica mais alto em relação aos seus pares
Padrões de Implementação
Otimização de Política Relativa de Grupo na prática
Treinar DeepSeek-R1 e DeepSeekMath para produzir raciocínio de longa cadeia de pensamento usando recompensas de correção baseadas em regras em problemas matemáticos.
Treinando DeepSeek-R1 e DeepSeekMath para produzir raciocínio de longa cadeia de pensamento usando recompensas de correção baseadas em regras em problemas matemáticos As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e monitoram ganhos de produtividade e custos de erros ao longo do tempo.
Otimização de Política Relativa de Grupo na prática
Modelos de geração de código de ajuste fino em que cada solução amostrada é pontuada de acordo com a aprovação nos testes de unidade e o grupo é normalizado para escolher os vencedores.
Modelos de geração de código de ajuste fino em que cada solução amostrada é pontuada pela aprovação em testes de unidade e o grupo é normalizado para escolher os vencedores. As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e acompanham os ganhos de produtividade e os custos de erros ao longo do tempo.
Otimização de Política Relativa de Grupo na prática
Pipelines RLHF de código aberto (por exemplo, em bibliotecas TRL e verl) usando GRPO para alinhar modelos de chat sem pagar por uma rede de valor separada.
Pipelines RLHF de código aberto (por exemplo, em bibliotecas TRL e verl) usando GRPO para alinhar modelos de chat sem pagar por uma rede de valor separada. As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e acompanham os ganhos de produtividade e os custos de erros ao longo do tempo.
Otimização de Política Relativa de Grupo na prática
Melhorar o seguimento de instruções ou o comportamento de segurança através da amostragem de várias respostas por solicitação e recompensando aquelas que um modelo de recompensa avalia mais alto em relação aos seus pares.
Melhorar o seguimento de instruções ou o comportamento de segurança por meio da amostragem de diversas respostas por prompt e recompensar aquelas que um modelo de recompensa avalia mais alto em relação aos seus pares. As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e monitoram os ganhos de produtividade e os custos de erros ao longo do tempo.
Riscos e guarda-corpos
A otimização de um benchmark pode ocultar fraquezas mais amplas do sistema.
Os custos de infraestrutura e manutenção são frequentemente subestimados.
As lacunas de segurança e observabilidade podem aumentar à medida que os sistemas se tornam mais complexos.
Roteiro de implementação
Defina metas de latência, qualidade e custo antes da implementação.
Defina metas de latência, qualidade e custo antes da implementação. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.
Benchmark sob condições realistas de carga e dados.
Benchmark sob condições realistas de carga e dados. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.
Monitoramento de instrumentos para erros, desvios e impacto no usuário.
Monitoramento de instrumentos para erros, desvios e impacto no usuário. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.
Prepare caminhos de reversão e resposta a incidentes antes de escalar.
Prepare caminhos de reversão e resposta a incidentes antes de escalar. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.