Chuẩn hóa phần thưởng được 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.
Tổng quan
Đây là bí quyết cốt lõi đằng sau GRPO, thuật toán hỗ trợ nhiều mô hình suy luận hiện đại.
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.
Tác động chiến lược
Quyết định rõ ràng hơn
Nó giúp bạn tách biệt các tuyên bố kỹ thuật rõ ràng khỏi ngôn ngữ tiếp thị.
Chi phí và ngân sách
Bạn có thể đặt các câu hỏi triển khai tốt hơn trước khi chi tiền hoặc thời gian.
Nhóm và quy trình làm việc
Các nhóm có sự hiểu biết chung sẽ đưa ra các quyết định về sản phẩm, chính sách và học tập tốt hơn.
Tương lai của việc bình thường hóa phần thưởng theo nhóm trong RLHF
Chuẩn hóa theo nhóm đang thúc đẩy sự bùng nổ của mô hình lý luận, trong đó các mô hình học hỏi từ những phần thưởng có thể kiểm chứng được như các câu trả lời toán đúng mà không cần người phê bình uyên bác. Nghiên cứu đang hoàn thiện nó: các cuộc tranh luận về việc nên chia cho độ lệch chuẩn, xử lý các nhóm hoàn toàn đúng hay sai hoàn toàn mà không tạo ra lợi thế nào và mở rộng quy mô nhóm. Mong đợi các phương pháp được nhóm, không có lời phê bình sẽ lan rộng sang việc sử dụng công cụ tác nhân và tạo mã, trong đó các trình xác minh tự động cung cấp tín hiệu phần thưởng dồi dào, rẻ tiền.
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.
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.
Chọn một số liệu thành công và một điều kiện thất bại trước khi thử nghiệm.
Chạy một thử nghiệm nhỏ với dữ liệu đại diện chứ không phải một bản demo bóng bẩy.
Tài liệu giúp Bình thường hóa phần thưởng theo nhóm trong RLHF và nơi các phương pháp đơn giản hơn sẽ tốt hơn.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Grouped Reward Normalization in RLHF quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Chuẩn hóa độ dài trong Tối ưu hóa tùy chọn
Câu hỏi thường gặp
Bình thường hóa phần thưởng nhóm trong RLHF là gì?
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.
Trong quá trình chuẩn hóa phần thưởng theo nhóm, phần thưởng của mỗi phản hồi được so sánh với bao nhiêu?
Mỗi phần thưởng được chuyển đổi thành điểm z bằng cách sử dụng giá trị trung bình và độ lệch chuẩn của nhóm phản hồi cho cùng một lời nhắc.
Thuật toán nào có liên quan nhiều nhất đến việc chuẩn hóa phần thưởng được nhóm?
GRPO, được DeepSeek giới thiệu và sử dụng trong DeepSeek-R1, được xây dựng dựa trên việc bình thường hóa phần thưởng trong một nhóm.
GRPO loại bỏ thành phần nào của PPO tiêu chuẩn?
Bằng cách sử dụng mức trung bình của nhóm làm đường cơ sở, GRPO loại bỏ nhà phê bình đã học, tiết kiệm bộ nhớ và tính toán.
Điều gì xảy ra với một câu trả lời có phần thưởng thấp hơn mức trung bình của nhóm?
Việc trừ đi giá trị trung bình của nhóm sẽ làm cho những phản hồi dưới mức trung bình có lợi thế tiêu cực, đẩy chính sách ra xa chúng.
Tại sao việc bình thường hóa trong một nhóm làm giảm phương sai đào tạo?
Bởi vì sự so sánh mang tính tương đối trong từng gợi ý nên sự khác biệt về quy mô tuyệt đối và độ khó của gợi ý sẽ bị loại bỏ.