Tổng quan
Quá trình chuẩn hóa phần thưởng theo nhóm sẽ tiêu chuẩn hóa phần thưởng của mô hình trong một loạt phản hồi cho cùng một lời nhắc, biến điểm số ồn ào thành tín hiệu đào tạo ổn định. Đó là thủ thuật cốt lõi đằng sau GRPO, thuật toán hỗ trợ nhiều mô hình suy luận hiện đại.
Chuẩn hóa phần thưởng theo nhóm trong RLHF nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh.
Lặn sâu
Trong học tăng cường từ phản hồi của con người (RLHF), một mô hình tạo ra các phản hồi và mô hình phần thưởng sẽ chấm điểm chúng, nhưng phần thưởng thô rất ồn ào và rất khác nhau giữa các lời nhắc. Chuẩn hóa phần thưởng theo nhóm khắc phục điều này bằng cách lấy mẫu một nhóm gồm nhiều câu trả lời cho cùng một lời nhắc, sau đó chuẩn hóa từng phần thưởng bằng cách trừ giá trị trung bình của nhóm và chia cho độ lệch chuẩn của nhóm. Điểm z này trở thành lợi thế. Cách tiếp cận này là trọng tâm của Tối ưu hóa chính sách tương đối nhóm (GRPO), được giới thiệu bởi DeepSeek, vốn hỗ trợ lý luận nổi tiếng của DeepSeek-R1. Điều quan trọng là GRPO loại bỏ mạng giá trị (phê bình) riêng biệt được PPO sử dụng, vì mức trung bình của nhóm đóng vai trò là đường cơ sở. Điều này làm cho việc đào tạo trở nên đơn giản hơn, rẻ hơn và tiết kiệm bộ nhớ hơn trong khi vẫn giữ cho tín hiệu gradient được điều chỉnh hợp lý.
Hiểu biết kỹ thuật
Đối với nhóm đầu ra có phần thưởng r_1...r_G, lợi thế là A_i = (r_i − Mean(r)) / std(r). Những câu trả lời tốt hơn mức trung bình của nhóm sẽ nhận được lợi thế tích cực và được củng cố; những cái kém hơn mức trung bình bị đẩy xuống. Bởi vì sự so sánh mang tính tương đối trong một thời điểm, thang điểm thưởng tuyệt đối và độ khó trên mỗi lần nhắc sẽ bị loại bỏ, làm giảm sự khác biệt. GRPO giữ mục tiêu bị cắt bớt của PPO và hình phạt KL đối với chính sách tham chiếu để ngăn mô hình trôi đi quá xa.
Nắm vững việc chuẩn hóa phần thưởng theo nhóm trong RLHF
Quá trình chuẩn hóa phần thưởng theo nhóm sẽ tiêu chuẩn hóa phần thưởng của mô hình trong một loạt phản hồi cho cùng một lời nhắc, biến điểm số ồn ào thành tín hiệu đào tạo ổn định. Đó là thủ thuật cốt lõi đằng sau GRPO, thuật toán hỗ trợ nhiều mô hình suy luận hiện đại. Chuẩn hóa phần thưởng theo nhóm trong RLHF nằm trong bộ công cụ AI cốt lõi. Khi bạn hiểu nó, các chủ đề AI khác sẽ trở nên dễ dàng hơn để đánh giá và so sánh. Để xây dựng sự hiểu biết sâu sắc, hãy coi Chuẩn hóa phần thưởng theo nhóm trong RLHF 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 làm 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 Chuẩn hóa phần thưởng theo nhóm trong RLHF trước tiên sẽ xây dựng các mô hình khái niệm mạnh, sau đó ánh xạ các mô hình đó tới các giới hạn sản xuất thực tế. 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.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. Đồng thời, các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi. 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
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị. 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.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian. 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.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn. 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
Huấn luyện mô hình lập luận toán học bằng cách lấy mẫu 16 giải pháp cho mỗi vấn đề và khen thưởng những giải pháp có độ chính xác cao hơn mức trung bình của nhóm.
Tinh chỉnh mức độ hữu ích của chatbot bằng cách bình thường hóa điểm số của mô hình phần thưởng trên một số câu trả lời của ứng viên cho từng lời nhắc của người dùng.
Cải thiện trợ lý mã hóa trong đó mỗi giải pháp lấy mẫu được tính điểm bằng cách liệu giải pháp đó có vượt qua các bài kiểm tra đơn vị hay không, sau đó được chuẩn hóa trong nhóm.
Giảm bộ nhớ GPU trong đường dẫn RLHF bằng cách loại bỏ mạng phê bình PPO và thay vào đó sử dụng giá trị trung bình của nhóm làm đường cơ sở.
Các mẫu triển khai
Bình thường hóa phần thưởng được nhóm trong RLHF trong thực tế
Huấn luyện mô hình lập luận toán học bằng cách lấy mẫu 16 giải pháp cho mỗi vấn đề và khen thưởng những giải pháp có độ chính xác cao hơn mức trung bình của nhóm.
Huấn luyện mô hình lý luận toán học bằng cách lấy mẫu 16 giải pháp cho mỗi vấn đề và khen thưởng những giải pháp có độ chính xác cao hơn mức trung bình của nhóm. 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 do lỗi theo thời gian.
Bình thường hóa phần thưởng được nhóm trong RLHF trong thực tế
Tinh chỉnh mức độ hữu ích của chatbot bằng cách bình thường hóa điểm số của mô hình phần thưởng trên một số câu trả lời của ứng viên cho từng lời nhắc của người dùng.
Tinh chỉnh mức độ hữu ích của chatbot bằng cách bình thường hóa điểm số của mô hình phần thưởng trên một số câu trả lời của ứng viên cho từng lời nhắc của người dùng. 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 do lỗi theo thời gian.
Bình thường hóa phần thưởng được nhóm trong RLHF trong thực tế
Cải thiện trợ lý mã hóa trong đó mỗi giải pháp lấy mẫu được tính điểm bằng cách liệu giải pháp đó có vượt qua các bài kiểm tra đơn vị hay không, sau đó được chuẩn hóa trong nhóm.
Cải thiện trợ lý mã hóa trong đó mỗi giải pháp lấy mẫu được tính điểm bằng cách liệu giải pháp đó có vượt qua các bài kiểm tra đơn vị hay không, sau đó được chuẩn hóa trong nhóm. Các nhóm thường nhận 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.
Bình thường hóa phần thưởng được nhóm trong RLHF trong thực tế
Giảm bộ nhớ GPU trong đường dẫn RLHF bằng cách loại bỏ mạng phê bình PPO và thay vào đó sử dụng giá trị trung bình của nhóm làm đường cơ sở.
Giảm bộ nhớ GPU trong quy trình RLHF bằng cách loại bỏ mạng phê bình PPO và thay vào đó sử dụng ý nghĩa nhóm làm đường cơ sở. Các Nhóm thường nhận 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 biên và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Các nhóm khác nhau có thể sử dụng cùng một thuật ngữ một cách khác nhau, vì vậy hãy sớm xác định phạm vi.
Điểm chuẩn có thể trông mạnh mẽ trong khi hiệu suất trong thế giới thực không đồng đều.
Việc bỏ qua các kế hoạch đánh giá và chất lượng dữ liệu thường tạo ra những kết quả mong manh.
Lộ trình thực hiện
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần.
Bắt đầu với một định nghĩa đơn giản về kết quả bạn cần. 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.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm. 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.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy. 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.
Tài liệu giúp Bình thường hóa phần thưởng theo nhóm trong RLHF và các phương pháp đơn giản hơn sẽ tốt hơn.
Tài liệu giúp Bình thường hóa phần thưởng theo nhóm trong RLHF và các phương pháp đơn giản hơn sẽ tốt hơn. 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.