Tổng quan
Tối ưu hóa chính sách tương đối nhóm (GRPO) là một phương pháp học tăng cường để tinh chỉnh các mô hình ngôn ngữ nhằm đánh giá từng câu trả lời dựa trên một nhóm các câu trả lời anh em cho cùng một lời nhắc, loại bỏ mạng giá trị riêng biệt được PPO sử dụng. Nó trở nên nổi tiếng như một thủ thuật đào tạo cốt lõi đằng sau các mô hình suy luận của DeepSeek.
Tối ưu hóa chính sách tương đối của nhóm là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn.
Lặn sâu
GRPO là một biến thể của phương pháp học tăng cường theo độ dốc chính sách được thiết kế để giúp việc tinh chỉnh RL của các mô hình ngôn ngữ lớn rẻ hơn và ổn định hơn. PPO tiêu chuẩn cần một 'nhà phê bình' (mô hình giá trị) đã học được, lớn gần bằng chính chính sách đó, để ước tính mức độ tốt của mỗi mã thông báo. GRPO loại bỏ hoàn toàn lời chỉ trích đó. Đối với mỗi lời nhắc, nó lấy mẫu một nhóm lần hoàn thành (ví dụ 8-64), chấm điểm tất cả bằng tín hiệu khen thưởng, sau đó tính toán lợi thế của mỗi lần hoàn thành bằng cách tiêu chuẩn hóa phần thưởng của nó so với giá trị trung bình và độ lệch chuẩn của nhóm. Những câu trả lời trên trung bình được củng cố và những câu trả lời dưới trung bình bị loại bỏ. Thuật ngữ phân kỳ KL giữ cho mô hình gần với chính sách tham chiếu. Được giới thiệu bởi DeepSeek, nó hỗ trợ các mô hình suy luận DeepSeekMath và DeepSeek-R1.
Hiểu biết kỹ thuật
Ý tưởng chính là thay thế đường cơ sở giá trị đã học được của PPO bằng đường cơ sở của nhóm Monte Carlo. Đối với nhóm đầu ra có phần thưởng r_i, mỗi lợi thế là A_i = (r_i - Mean(r)) / std(r). Điểm chuẩn hóa đó nhân với tỷ lệ xác suất bị cắt bớt, chính xác như trong PPO và hình phạt KL đối với mô hình tham chiếu bị đóng băng sẽ hạn chế sự trôi dạt. Bởi vì không có nhà phê bình nào được đào tạo nên bộ nhớ và khả năng tính toán gần như giảm một nửa và việc chuẩn hóa theo dấu nhắc mang lại lợi thế về quy mô tự nhiên, độ sai lệch thấp.
Làm chủ nhóm tối ưu hóa chính sách tương đối
Tối ưu hóa chính sách tương đối nhóm (GRPO) là một phương pháp học tăng cường để tinh chỉnh các mô hình ngôn ngữ nhằm đánh giá từng câu trả lời dựa trên một nhóm các câu trả lời anh em cho cùng một lời nhắc, loại bỏ mạng giá trị riêng biệt được PPO sử dụng. Nó trở nên nổi tiếng như một thủ thuật đào tạo cốt lõi đằng sau các mô hình suy luận của DeepSeek. Tối ưu hóa chính sách tương đối của nhóm là một khối xây dựng kỹ thuật ảnh hưởng đến chất lượng mô hình, chi phí cơ sở hạ tầng, độ trễ và độ tin cậy trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Tối ưu hóa chính sách tương đối của nhóm như một mô hình hoạt động chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng Tối ưu hóa chính sách tương đối của nhóm sẽ tối ưu hóa các lựa chọn về kiến trúc, dữ liệu và cơ sở hạ tầng theo độ tin cậy và chi phí. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Đồng thời, Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu lớn hơn của hệ thống. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Đào tạo DeepSeek-R1 và DeepSeekMath để tạo ra chuỗi suy nghĩ dài bằng cách sử dụng phần thưởng tính đúng đắn dựa trên quy tắc cho các bài toán
Tinh chỉnh các mô hình tạo mã trong đó mỗi giải pháp lấy mẫu được tính điểm bằng cách liệu nó có vượt qua các bài kiểm tra đơn vị hay không và nhóm được chuẩn hóa để chọn người chiến thắng
Các đường dẫn RLHF nguồn mở (ví dụ: trong thư viện TRL và verl) sử dụng GRPO để căn chỉnh các mô hình trò chuyện mà không phải trả tiền cho một mạng giá trị riêng
Cải thiện hành vi tuân theo hướng dẫn hoặc an toàn bằng cách lấy mẫu một số câu trả lời cho mỗi lời nhắc và khen thưởng cho những câu trả lời đó bằng mô hình phần thưởng có tỷ lệ cao nhất so với các bạn cùng lứa tuổi
Các mẫu triển khai
Tối ưu hóa chính sách tương đối nhóm trong thực tế
Huấn luyện DeepSeek-R1 và DeepSeekMath để tạo ra chuỗi suy nghĩ dài bằng cách sử dụng phần thưởng tính đúng đắn dựa trên quy tắc cho các bài toán.
Đào tạo DeepSeek-R1 và DeepSeekMath để tạo ra khả năng suy luận theo chuỗi suy nghĩ dài bằng cách sử dụng phần thưởng tính đúng đắn dựa trên quy tắc cho các bài toán toán học. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa chính sách tương đối nhóm trong thực tế
Tinh chỉnh các mô hình tạo mã trong đó mỗi giải pháp lấy mẫu được tính điểm bằng cách liệu nó có vượt qua các bài kiểm tra đơn vị hay không và nhóm được chuẩn hóa để chọn ra người chiến thắng.
Tinh chỉnh các mô hình tạo mã trong đó mỗi giải pháp lấy mẫu được tính điểm bằng cách liệu nó có vượt qua các bài kiểm tra đơn vị hay không và nhóm được chuẩn hóa để chọn người chiến thắng. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa chính sách tương đối nhóm trong thực tế
Các đường dẫn RLHF nguồn mở (ví dụ: trong thư viện TRL và verl) sử dụng GRPO để căn chỉnh các mô hình trò chuyện mà không phải trả tiền cho một mạng giá trị riêng.
Đường dẫn RLHF nguồn mở (ví dụ: trong thư viện TRL và verl) sử dụng GRPO để căn chỉnh các mô hình trò chuyện mà không phải trả tiền cho một mạng giá trị riêng. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa chính sách tương đối nhóm trong thực tế
Cải thiện hành vi tuân theo hướng dẫn hoặc an toàn bằng cách lấy mẫu một số câu trả lời cho mỗi lời nhắc và khen thưởng cho những câu trả lời đó bằng mô hình phần thưởng có tỷ lệ cao nhất so với các bạn cùng lứa.
Cải thiện hành vi làm theo hướng dẫn hoặc an toàn bằng cách lấy mẫu một số câu trả lời cho mỗi lời nhắc và khen thưởng cho những câu trả lời đó bằng mô hình phần thưởng có tỷ lệ cao nhất so với các đồng nghiệp của họ. Các nhóm thường đạt được kết quả tốt hơn khi xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Lộ trình thực hiện
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
Điểm chuẩn trong điều kiện tải và dữ liệu thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.