Mai departeUrmătorul ghid
Optimizarea proximală a politicii
AI limbaj
GHID tehnic
Optimizare relativă a politicii de grup
Group Relative Policy Optimization (GRPO) este o metodă de învățare-întărire pentru reglarea fină a modelelor de limbaj care judecă fiecare răspuns în raport cu un grup de răspunsuri frați la același prompt, eliminând rețeaua de valori separată utilizată de PPO.
Ascultă acest ghidNarativ AI · ~2 min
Pe această pagină2 minute de lectură
Prezentare generală
It became famous as the core training trick behind DeepSeek's reasoning models.
Scufundare în profunzime
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.
Implementare în lumea reală
Antrenamentul DeepSeek-R1 și DeepSeekMath pentru a produce raționament în lanț lung de gândire folosind recompense de corectitudine bazate pe reguli pentru probleme de matematică
Reglarea fină a modelelor de generare de cod în care fiecare soluție eșantionată este punctată dacă trece testele unitare, iar grupul este normalizat pentru a alege câștigătorii
Conducte RLHF cu sursă deschisă (de exemplu, în bibliotecile TRL și verl) care utilizează GRPO pentru a alinia modelele de chat fără a plăti pentru o rețea de valoare separată
Îmbunătățirea comportamentului de urmărire a instrucțiunilor sau de siguranță prin eșantionarea mai multor răspunsuri pentru fiecare prompt și recompensând pe cele pe care un model de recompensă le apreciază cel mai mult în comparație cu colegii lor
Viitorul optimizării politicilor relative de grup
GRPO a devenit rapid o rețetă implicită pentru formarea modelelor de raționament deschis, iar laboratoarele iterează pe punctele sale slabe. Cercetătorii explorează remedieri pentru prejudecățile legate de lungime și dificultate (cum ar fi Dr. GRPO), normalizarea la nivel de simbol, mai degrabă decât la nivel de secvență, și elimină sau remodelează termenul KL. Așteptați-vă la o integrare mai strânsă cu recompense verificabile (matematice, cod, utilizarea instrumentelor), o mai bună gestionare a semnalelor rare și hibrizi care combină liniile de bază ale grupului cu critici ușoare pentru sarcini agentice, cu mai mulți pași.
Punând-o în practică
De ce contează
- Cost și buget. Deciziile de arhitectură generează performanța și costurile de operare de ani de zile.
- Decizii mai clare. Educația tehnică ajută echipele să aleagă stiva potrivită, nu doar cea mai nouă.
- Controlul calității. Opțiuni de inginerie mai bune reduc incidentele de fiabilitate în producție.
Atenție la
- Optimizarea unui punct de referință poate ascunde slăbiciunile mai largi ale sistemului.
- Costurile de infrastructură și întreținere sunt adesea subestimate.
- Lacunele de securitate și observabilitate pot crește pe măsură ce sistemele devin mai complexe.
Următorii pași
- Definiți obiectivele de latență, calitate și cost înainte de implementare.
- Benchmark în condiții realiste de încărcare și date.
- Monitorizarea instrumentelor pentru erori, deriva și impactul utilizatorului.
- Pregătiți căile de retragere și răspuns la incident înainte de scalare.
Continuați să explorați
Buletin gratuit
Primește briefingul zilnic AI
Trei povești AI verificate în fiecare dimineață de zi lucrătoare, scrise în engleză simplă. Gratuit pentru totdeauna, fără reclame.
Un e-mail în fiecare zi lucrătoare. Dezabonare cu un singur clic. Nu vindem niciodată și nu împărtășim adresa ta.
Testează-te
Take the Group Relative Policy Optimization quiz
Feedback instantaneu la fiecare răspuns și un certificat partajabil cu un ID verificabil după ce parcurgi un curs.
Susține educația AI gratuită. AI Understanding este o organizație nonprofit 501(c)(3) — fără reclame, fără barieră de plată, pentru totdeauna. Fă o donație
Întrebări frecvente
What is Group Relative Policy Optimization?
Group Relative Policy Optimization (GRPO) este o metodă de învățare-întărire pentru reglarea fină a modelelor de limbaj care judecă fiecare răspuns în raport cu un grup de răspunsuri frați la același prompt, eliminând rețeaua de valori separată utilizată de PPO. A devenit celebru ca trucul de bază de antrenament din spatele modelelor de raționament ale 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.
Cum calculează GRPO avantajul pentru o anumită finalizare?
Avantajul fiecărei finalizări este (recompensă - media grupului) / abaterea standard a grupului, astfel încât grupul de răspunsuri la același prompt acționează ca linie de bază.
Ce modele l-au făcut cunoscut pe GRPO?
GRPO a fost introdus și popularizat de DeepSeek, în special în DeepSeekMath și ca motor RL din spatele modelelor de raționament DeepSeek-R1.
Ce rol joacă termenul KL-divergență în GRPO?
O penalizare KL împotriva unui model de referință (de obicei, pre-RL) regularizează antrenamentul, astfel încât politica să se îmbunătățească fără să se prăbușească sau să se deplaseze în rezultate degenerate.
De ce este GRPO deosebit de atractiv pentru formarea modelelor de raționament pe matematică sau cod?
Eșantionarea multor soluții și notarea acestora cu verificări automate de corectitudine se împerechează în mod clar cu avantajele GRPO normalizate în grup, fără a fi nevoie de critici.
Continuați să învățați
Ghiduri conexe
Mai multe ghiduri alese pentru acest subiect