ภาพรวม
Group Relative Policy Optimization (GRPO) เป็นวิธีการเรียนรู้แบบเสริมกำลังสำหรับการปรับแต่งโมเดลภาษาอย่างละเอียด ซึ่งจะตัดสินแต่ละคำตอบกับกลุ่มคำตอบพี่น้องในพร้อมต์เดียวกัน โดยกำจัดเครือข่ายค่าที่แยกจากกันที่ใช้โดย PPO มันมีชื่อเสียงในฐานะเคล็ดลับการฝึกอบรมหลักที่อยู่เบื้องหลังโมเดลการใช้เหตุผลของ DeepSeek
การเพิ่มประสิทธิภาพนโยบายเชิงสัมพันธ์แบบกลุ่มเป็นองค์ประกอบทางเทคนิคที่ส่งผลต่อคุณภาพของโมเดล ต้นทุนโครงสร้างพื้นฐาน เวลาแฝง และความน่าเชื่อถือในวงกว้าง
เจาะลึก
GRPO เป็นตัวแปรหนึ่งของการเรียนรู้การเสริมแรงแบบไล่ระดับนโยบายที่ออกแบบมาเพื่อทำให้การปรับแต่ง RL อย่างละเอียดของโมเดลภาษาขนาดใหญ่ถูกลงและมีเสถียรภาพมากขึ้น PPO มาตรฐานจำเป็นต้องมี 'นักวิจารณ์' ที่เรียนรู้ (แบบจำลองคุณค่า) ซึ่งมีขนาดใหญ่พอๆ กับนโยบาย เพื่อประเมินว่าโทเค็นแต่ละอันนั้นดีเพียงใด GRPO จะลบคำวิจารณ์นั้นออกไปโดยสิ้นเชิง สำหรับการแจ้งเตือนแต่ละครั้ง ระบบจะสุ่มตัวอย่างกลุ่มของความสำเร็จ (เช่น 8-64) ให้คะแนนทั้งหมดด้วยสัญญาณรางวัล จากนั้นคำนวณข้อได้เปรียบของความสำเร็จแต่ละครั้งโดยกำหนดมาตรฐานรางวัลโดยเทียบกับค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของกลุ่ม คำตอบที่สูงกว่าค่าเฉลี่ยจะได้รับการเสริมกำลัง และคำตอบที่ต่ำกว่าค่าเฉลี่ยจะถูกระงับ คำศัพท์ KL-divergence ทำให้โมเดลใกล้เคียงกับนโยบายอ้างอิง เปิดตัวโดย DeepSeek โดยขับเคลื่อน DeepSeekMath และโมเดลการใช้เหตุผล DeepSeek-R1
ข้อมูลเชิงลึกทางเทคนิค
แนวคิดหลักคือการแทนที่พื้นฐานคุณค่าที่เรียนรู้ของ PPO ด้วยพื้นฐานกลุ่มมอนติคาร์โล สำหรับกลุ่มของเอาต์พุตที่มีรางวัล r_i ข้อดีแต่ละข้อคือ A_i = (r_i - meme(r)) / std(r) คะแนนมาตรฐานนั้นจะคูณอัตราส่วนความน่าจะเป็นที่ถูกตัด เหมือนกับใน PPO ทุกประการ และค่าปรับของ KL เทียบกับการควบคุมการเบี่ยงเบนของโมเดลอ้างอิงที่ค้าง เนื่องจากไม่มีการฝึกฝนนักวิจารณ์ หน่วยความจำและการประมวลผลจึงลดลงประมาณครึ่งหนึ่ง และการทำให้เป็นมาตรฐานตามเวลาพร้อมท์จะให้ข้อได้เปรียบที่ปรับขนาดได้ตามธรรมชาติและมีความแปรปรวนต่ำ
การเพิ่มประสิทธิภาพนโยบายเชิงสัมพันธ์ของกลุ่มการเรียนรู้
Group Relative Policy Optimization (GRPO) เป็นวิธีการเรียนรู้แบบเสริมกำลังสำหรับการปรับแต่งโมเดลภาษาอย่างละเอียด ซึ่งจะตัดสินแต่ละคำตอบกับกลุ่มคำตอบพี่น้องในพร้อมต์เดียวกัน โดยกำจัดเครือข่ายค่าที่แยกจากกันที่ใช้โดย PPO มันมีชื่อเสียงในฐานะเคล็ดลับการฝึกอบรมหลักที่อยู่เบื้องหลังโมเดลการใช้เหตุผลของ DeepSeek การเพิ่มประสิทธิภาพนโยบายเชิงสัมพันธ์แบบกลุ่มเป็นองค์ประกอบทางเทคนิคที่ส่งผลต่อคุณภาพของโมเดล ต้นทุนโครงสร้างพื้นฐาน เวลาแฝง และความน่าเชื่อถือในวงกว้าง เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Group Relative Policy Optimization เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Group Relative Policy Optimization จะปรับสถาปัตยกรรม ข้อมูล และตัวเลือกโครงสร้างพื้นฐานให้เหมาะสมโดยเทียบกับความน่าเชื่อถือและต้นทุน โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี ในเวลาเดียวกัน การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี
การตัดสินใจด้านสถาปัตยกรรมขับเคลื่อนประสิทธิภาพและต้นทุนการดำเนินงานเป็นเวลาหลายปี ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด
การศึกษาด้านเทคนิคช่วยให้ทีมเลือกกลุ่มที่เหมาะสม ไม่ใช่แค่กลุ่มใหม่ล่าสุด ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต
ตัวเลือกทางวิศวกรรมที่ดีกว่าจะช่วยลดเหตุการณ์ด้านความน่าเชื่อถือในการผลิต ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
การฝึกอบรม DeepSeek-R1 และ DeepSeekMath เพื่อสร้างการให้เหตุผลแบบลูกโซ่ทางความคิดแบบยาวโดยใช้รางวัลความถูกต้องตามกฎเกณฑ์สำหรับปัญหาทางคณิตศาสตร์
การปรับแต่งโมเดลการสร้างโค้ดอย่างละเอียด โดยแต่ละโซลูชันตัวอย่างจะได้รับคะแนนจากการผ่านการทดสอบหน่วยหรือไม่ และกลุ่มจะได้รับการปรับให้เป็นมาตรฐานเพื่อเลือกผู้ชนะ
ไปป์ไลน์ RLHF แบบโอเพนซอร์ส (เช่น ในไลบรารี TRL และ verl) โดยใช้ GRPO เพื่อจัดรูปแบบการแชทโดยไม่ต้องจ่ายเงินสำหรับเครือข่ายค่าที่แยกจากกัน
การปรับปรุงการปฏิบัติตามคำสั่งหรือพฤติกรรมด้านความปลอดภัยโดยการสุ่มตัวอย่างหลายคำตอบต่อการแจ้งเตือนและให้รางวัลแบบจำลองการให้รางวัลที่มีอัตราสูงสุดเมื่อเทียบกับเพื่อนของพวกเขา
รูปแบบการดำเนินงาน
การเพิ่มประสิทธิภาพนโยบายสัมพัทธ์กลุ่มในทางปฏิบัติ
การฝึกอบรม DeepSeek-R1 และ DeepSeekMath เพื่อสร้างการให้เหตุผลแบบลูกโซ่ทางความคิดแบบยาวโดยใช้รางวัลความถูกต้องตามกฎสำหรับปัญหาทางคณิตศาสตร์
การฝึกอบรม DeepSeek-R1 และ DeepSeekMath เพื่อสร้างการให้เหตุผลแบบห่วงโซ่ความคิดแบบยาวโดยใช้รางวัลความถูกต้องตามกฎสำหรับปัญหาทางคณิตศาสตร์ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับของมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพนโยบายสัมพัทธ์กลุ่มในทางปฏิบัติ
การปรับแต่งโมเดลการสร้างโค้ดอย่างละเอียด โดยแต่ละโซลูชันตัวอย่างจะได้รับคะแนนโดยพิจารณาว่าผ่านการทดสอบหน่วยหรือไม่ และกลุ่มจะได้รับการปรับให้เป็นมาตรฐานเพื่อเลือกผู้ชนะ
การปรับแต่งโมเดลการสร้างโค้ดอย่างละเอียด โดยแต่ละโซลูชันตัวอย่างจะถูกให้คะแนนโดยไม่ว่าจะผ่านการทดสอบหน่วยหรือไม่ และกลุ่มจะถูกทำให้เป็นมาตรฐานเพื่อเลือกผู้ชนะ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพนโยบายสัมพัทธ์กลุ่มในทางปฏิบัติ
ไปป์ไลน์ RLHF แบบโอเพ่นซอร์ส (เช่น ในไลบรารี TRL และ verl) โดยใช้ GRPO เพื่อจัดรูปแบบการแชทโดยไม่ต้องจ่ายค่าเครือข่ายค่าแยกต่างหาก
ไปป์ไลน์ RLHF แบบโอเพ่นซอร์ส (เช่น ในไลบรารี TRL และ verl) โดยใช้ GRPO เพื่อจัดรูปแบบการแชทโดยไม่ต้องจ่ายเงินสำหรับเครือข่ายมูลค่าที่แยกจากกัน ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพนโยบายสัมพัทธ์กลุ่มในทางปฏิบัติ
การปรับปรุงการปฏิบัติตามคำสั่งหรือพฤติกรรมด้านความปลอดภัยโดยการสุ่มตัวอย่างหลายคำตอบต่อการแจ้งเตือนและให้รางวัลแบบจำลองการให้รางวัลที่มีอัตราสูงสุดเมื่อเทียบกับคู่แข่ง
การปรับปรุงการปฏิบัติตามคำสั่งหรือพฤติกรรมด้านความปลอดภัยโดยการสุ่มตัวอย่างหลายคำตอบต่อการแจ้งเตือนและให้รางวัลแก่คำตอบที่มีอัตราแบบจำลองการให้รางวัลสูงสุดเมื่อเทียบกับคู่แข่ง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
การเพิ่มประสิทธิภาพเกณฑ์มาตรฐานหนึ่งรายการสามารถซ่อนจุดอ่อนของระบบในวงกว้างได้
ต้นทุนโครงสร้างพื้นฐานและการบำรุงรักษามักถูกประเมินต่ำไป
ช่องว่างด้านความปลอดภัยและความสามารถในการสังเกตสามารถเพิ่มขึ้นได้เมื่อระบบมีความซับซ้อนมากขึ้น
แผนงานการดำเนินงาน
กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน
กำหนดเป้าหมายเวลาแฝง คุณภาพ และต้นทุนก่อนนำไปใช้งาน ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง
เกณฑ์มาตรฐานภายใต้สภาวะโหลดและข้อมูลจริง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้
การตรวจสอบเครื่องมือเพื่อหาข้อผิดพลาด การเบี่ยงเบน และผลกระทบต่อผู้ใช้ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด
เตรียมเส้นทางการย้อนกลับและการตอบสนองต่อเหตุการณ์ก่อนปรับขนาด ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น