আমরা কীভাবে GRPO ব্যবহার করে Shannon V1.5-কে চিন্তা করতে প্রশিক্ষণ দিয়েছি

১. প্রেরণা: কেন চিন্তাভাবনার মডেল?

জন্যএআই রেড টিমগবেষণায়, বোঝাকীভাবেএকটি এআই কীভাবে সম্ভাব্য ক্ষতিকারক আউটপুটে পৌঁছায় তা আউটপুটগুলি নিজেই অধ্যয়ন করার মতোই গুরুত্বপূর্ণ। Shannon V1.5-এর চিন্তাভাবনার মডেলগুলি সম্পূর্ণ চেইন-অফ-থট প্রকাশ করে, যা গবেষকদের সক্ষম করে:

• যুক্তি পথের সন্ধান করা যা নিয়ে যায়অবাধ এআই-এর ফলস্বরূপআচরণ
• শনাক্ত করা যেখানে গার্ডরেলগুলি সাধারণত হস্তক্ষেপ করবে (প্রদর্শন করেএআই গার্ডরেলের গুরুত্ব)
• নির্দিষ্ট যুক্তি প্যাটার্ন লক্ষ্য করে আরও শক্তিশালী নিরাপত্তা ব্যবস্থা তৈরি করা
• পর্যবেক্ষিত যুক্তি শৃঙ্খলের উপর ভিত্তি করে আরও ভালো প্রতিপক্ষমূলক পরীক্ষার কেস তৈরি করা

২. GRPO বোঝা

গ্রুপ রিলেটিভ পলিসি অপ্টিমাইজেশন (GRPO)হল ঐতিহ্যবাহী RLHF পদ্ধতির একটি অগ্রগতি যা যুক্তির ক্ষমতাগুলির আরও স্থিতিশীল এবং দক্ষ প্রশিক্ষণ সক্ষম করে। DeepSeek AI দ্বারা বিকশিত, এটি চেইন-অফ-থট প্রশিক্ষণের জন্য বিশেষভাবে কার্যকর প্রমাণিত হয়েছে।

ঐতিহ্যবাহী RLHF-এর চেয়ে GRPO কেন?

GRPO গাণিতিক ভিত্তি

GRPO একটি পরম রিওয়ার্ড মডেলের বিরুদ্ধে না করে গ্রুপের মধ্যে প্রতিক্রিয়া তুলনা করে নীতিকে অপ্টিমাইজ করে:

এই আপেক্ষিক তুলনার বেশ কিছু সুবিধা রয়েছে:

• স্বাভাবিকীকরণ:প্রম্পট জুড়ে বিভিন্ন অসুবিধার জন্য স্বয়ংক্রিয়ভাবে সামঞ্জস্য করে
• স্থিতিশীলতা:গ্রেডিয়েন্ট অনুমানে বৈচিত্র্য হ্রাস করে
• দক্ষতা:কোনো পৃথক রিওয়ার্ড মডেলের প্রয়োজন নেই

def compute_grpo_loss(
    policy_logprobs: torch.Tensor,
    rewards: torch.Tensor,
    group_size: int = 8
) -> torch.Tensor:
    """
    Compute GRPO loss with group-relative reward normalization.
    
    Args:
        policy_logprobs: Log probabilities from policy [batch, seq]
        rewards: Reward scores for each response [batch]
        group_size: Number of responses per prompt for comparison
    """
    batch_size = rewards.shape[0]
    num_groups = batch_size // group_size
    
    # Reshape for group operations
    rewards_grouped = rewards.view(num_groups, group_size)
    logprobs_grouped = policy_logprobs.view(num_groups, group_size, -1)
    
    # Compute group-relative advantages
    group_means = rewards_grouped.mean(dim=1, keepdim=True)
    group_stds = rewards_grouped.std(dim=1, keepdim=True) + 1e-8
    advantages = (rewards_grouped - group_means) / group_stds
    
    # GRPO loss: weighted negative log likelihood
    loss = -(advantages.unsqueeze(-1) * logprobs_grouped).sum(dim=-1).mean()
    
    return loss

৩. ডিপসিক ডিস্টিলেশন

Shannon V1.5-এর চিন্তাভাবনার ক্ষমতা বুটস্ট্র্যাপ করতে, আমরা DeepSeek-এর যুক্তি মডেলগুলি থেকে চেইন-অফ-থট প্যাটার্নগুলি ডিস্টিল করেছি। এটি আমাদের থিংকিং হেডকে প্রশিক্ষণ দেওয়ার জন্য উচ্চ-মানের CoT ট্রেস সরবরাহ করেছে।

ডিপসিক ডেটাসেট কম্পোজিশন

ট্রেস সংগ্রহ প্রক্রিয়া

আমরা ব্যাপক যুক্তি কভারেজ নিশ্চিত করতে বিভিন্ন ডোমেন জুড়ে চিন্তাভাবনার ট্রেস সংগ্রহ করেছি:

class DeepSeekDistiller:
    """Distill chain-of-thought traces from DeepSeek models."""
    
    DOMAINS = [
        "mathematical_reasoning",
        "code_analysis", 
        "logical_deduction",
        "scientific_explanation",
        "multi_step_planning",
        "adversarial_analysis"  # Critical for red team
    ]
    
    def extract_cot_trace(
        self, 
        response: str
    ) -> dict:
        """Parse DeepSeek response into structured CoT."""
        
        # DeepSeek uses ... tags
        think_match = re.search(
            r'(.*?)', 
            response, 
            re.DOTALL
        )
        
        if not think_match:
            return None
            
        thinking = think_match.group(1)
        final_answer = response.split('')[-1].strip()
        
        # Parse individual reasoning steps
        steps = self.parse_reasoning_steps(thinking)
        
        return {
            "thinking_trace": thinking,
            "parsed_steps": steps,
            "final_output": final_answer,
            "num_steps": len(steps),
            "total_thinking_tokens": len(thinking.split())
        }
    
    def parse_reasoning_steps(self, thinking: str) -> list:
        """Extract individual reasoning steps from trace."""
        # Split on common step indicators
        step_patterns = [
            r'\n\d+\.',           # "1. ", "2. "
            r'\nStep \d+:',       # "Step 1:"
            r'\n(?:First|Next|Then|Finally),',
            r'\n- '              # Bullet points
        ]
        
        combined_pattern = '|'.join(step_patterns)
        steps = re.split(combined_pattern, thinking)
        
        return [s.strip() for s in steps if s.strip()]

৪. থিংকিং হেড আর্কিটেকচার

Shannon V1.5 মডেলগুলিতে একটি ডেডিকেটেড অন্তর্ভুক্ত রয়েছেথিংকিং হেডযা চূড়ান্ত আউটপুটের আগে সুস্পষ্ট যুক্তি ট্রেস তৈরি করে। এই স্থাপত্য সংযোজন বেস মিক্সট্রাল আর্কিটেকচার পরিবর্তন না করেই স্বচ্ছ CoT সক্ষম করে।

থিংকিং হেড বাস্তবায়ন

class ThinkingHead(nn.Module):
    """
    Dedicated thinking module for Shannon V1.5.
    Generates explicit chain-of-thought traces.
    """
    
    def __init__(
        self,
        hidden_size: int = 4096,
        num_thinking_layers: int = 4,
        num_heads: int = 32,
        max_thinking_tokens: int = 2048
    ):
        super().__init__()
        
        self.hidden_size = hidden_size
        self.max_thinking_tokens = max_thinking_tokens
        
        # Special tokens
        self.think_start = nn.Parameter(torch.randn(1, 1, hidden_size))
        self.think_end = nn.Parameter(torch.randn(1, 1, hidden_size))
        
        # Thinking transformer layers
        self.thinking_layers = nn.ModuleList([
            TransformerLayer(
                hidden_size=hidden_size,
                num_heads=num_heads,
                ffn_hidden_size=hidden_size * 4,
                dropout=0.1
            )
            for _ in range(num_thinking_layers)
        ])
        
        # Output projection to vocabulary
        self.output_proj = nn.Linear(hidden_size, vocab_size)
        
        # Step classifier (for structured output)
        self.step_classifier = nn.Linear(hidden_size, 5)  # 5 step types
    
    def forward(
        self,
        hidden_states: torch.Tensor,
        attention_mask: torch.Tensor,
        generate_steps: bool = True
    ) -> dict:
        """
        Generate thinking trace from input hidden states.
        
        Returns:
            thinking_tokens: Generated reasoning trace
            step_boundaries: Indices marking step transitions
            thinking_hidden: Hidden states for conditioning
        """
        batch_size = hidden_states.shape[0]
        
        # Prepend thinking start token
        thinking_input = torch.cat([
            self.think_start.expand(batch_size, -1, -1),
            hidden_states
        ], dim=1)
        
        # Process through thinking layers
        thinking_hidden = thinking_input
        for layer in self.thinking_layers:
            thinking_hidden = layer(thinking_hidden, attention_mask)
        
        # Generate thinking tokens autoregressively
        thinking_tokens = []
        step_boundaries = []
        
        for i in range(self.max_thinking_tokens):
            logits = self.output_proj(thinking_hidden[:, -1, :])
            next_token = logits.argmax(dim=-1)
            
            # Check for step boundaries
            step_type = self.step_classifier(thinking_hidden[:, -1, :])
            if step_type.argmax(dim=-1) != 0:  # 0 = continue
                step_boundaries.append(i)
            
            thinking_tokens.append(next_token)
            
            # Check for think_end
            if next_token == self.think_end_token_id:
                break
            
            # Update for next iteration
            # ... (autoregressive generation logic)
        
        return {
            "thinking_tokens": torch.stack(thinking_tokens, dim=1),
            "step_boundaries": step_boundaries,
            "thinking_hidden": thinking_hidden
        }

৫. প্রশিক্ষণ পাইপলাইন

পর্যায় ১: থিংকিং হেড প্রি-ট্রেনিং

প্রথমে, আমরা স্ট্যান্ডার্ড ক্রস-এন্ট্রপি লস ব্যবহার করে DeepSeek-ডিস্টিলড CoT ট্রেসগুলিতে থিংকিং হেডকে প্রি-ট্রেন করি:

# Thinking Head Pre-training Configuration
model:
  base: shannon-ai/v1-deep  # Start from GPT-5 distilled model
  thinking_head:
    num_layers: 4
    hidden_size: 4096
    max_tokens: 2048

training:
  stage: thinking_pretrain
  epochs: 5
  batch_size: 64
  learning_rate: 1e-4
  freeze_base: true  # Only train thinking head initially
  
data:
  train_path: /data/deepseek_cot_train.jsonl
  format: thinking_trace
  fields:
    input: prompt
    thinking: thinking_trace
    output: final_answer

পর্যায় ২: GRPO ফাইন-টিউনিং

প্রি-ট্রেনিংয়ের পর, আমরা গ্রুপ-আপেক্ষিক তুলনা ব্যবহার করে চিন্তাভাবনার গুণমান উন্নত করতে GRPO প্রয়োগ করি:

class GRPOTrainer:
    """GRPO trainer for thinking model optimization."""
    
    def __init__(
        self,
        model: ThinkingModel,
        group_size: int = 8,
        kl_coef: float = 0.1
    ):
        self.model = model
        self.group_size = group_size
        self.kl_coef = kl_coef
        self.ref_model = copy.deepcopy(model)
        self.ref_model.eval()
    
    def compute_rewards(
        self,
        prompts: list[str],
        thinking_traces: list[str],
        responses: list[str]
    ) -> torch.Tensor:
        """
        Compute rewards for thinking quality.
        Multiple signals combined for comprehensive evaluation.
        """
        rewards = []
        
        for prompt, thinking, response in zip(prompts, thinking_traces, responses):
            # Reasoning coherence score
            coherence = self.evaluate_coherence(thinking)
            
            # Step structure quality
            structure = self.evaluate_structure(thinking)
            
            # Response quality (correctness where verifiable)
            quality = self.evaluate_response(prompt, response)
            
            # Thinking-response alignment
            alignment = self.evaluate_alignment(thinking, response)
            
            # Combined reward
            reward = (
                0.3 * coherence +
                0.2 * structure +
                0.3 * quality +
                0.2 * alignment
            )
            rewards.append(reward)
        
        return torch.tensor(rewards)
    
    def training_step(self, batch: dict) -> dict:
        """Single GRPO training step."""
        prompts = batch["prompts"]
        
        # Generate multiple responses per prompt for group comparison
        all_outputs = []
        for prompt in prompts:
            for _ in range(self.group_size):
                output = self.model.generate_with_thinking(
                    prompt,
                    temperature=0.8,  # Diversity for comparison
                    do_sample=True
                )
                all_outputs.append(output)
        
        # Compute rewards
        rewards = self.compute_rewards(
            prompts=[p for p in prompts for _ in range(self.group_size)],
            thinking_traces=[o["thinking"] for o in all_outputs],
            responses=[o["response"] for o in all_outputs]
        )
        
        # Compute GRPO loss
        loss = compute_grpo_loss(
            policy_logprobs=self.get_logprobs(all_outputs),
            rewards=rewards,
            group_size=self.group_size
        )
        
        # Add KL penalty against reference model
        kl_div = self.compute_kl_divergence(all_outputs)
        total_loss = loss + self.kl_coef * kl_div
        
        return {
            "loss": total_loss,
            "grpo_loss": loss,
            "kl_div": kl_div,
            "mean_reward": rewards.mean()
        }

পর্যায় ৩: রেড টিম বিশেষীকরণ

অবশেষে, আমরা প্রতিপক্ষমূলক পরিস্থিতিতে আরও টিউন করি যাতে চিন্তাভাবনার ট্রেসগুলি সঠিকভাবে যুক্তির জন্য প্রকাশ করেঅবাধ এআই-এর ফলস্বরূপবিশ্লেষণ:

৬. ফলাফল ও বিশ্লেষণ

চিন্তাভাবনার গুণমান মেট্রিক্স

মূল অনুসন্ধান

• স্বচ্ছতা নাটকীয়ভাবে উন্নত হয়েছে:১২% থেকে ৯৭.৮% যুক্তি এখন স্পষ্টভাবে মৌখিকভাবে প্রকাশ করা হয়েছে
• যুক্তি নির্ভুলতা বৃদ্ধি পেয়েছে:সুস্পষ্ট চিন্তাভাবনা চূড়ান্ত উত্তরের গুণমান ১২+ পয়েন্ট উন্নত করেছে
• রেড টিম মূল্য নিশ্চিত করা হয়েছে:নিরাপত্তা গবেষকরা রিপোর্ট করেছেন যে এক্সপ্লয়েট যুক্তি বোঝার জন্য চিন্তাভাবনার ট্রেসগুলি "অমূল্য"
• GRPO, RLHF-কে ছাড়িয়ে গেছে:ঐতিহ্যবাহী পদ্ধতির তুলনায় ১৫% ভালো সুসংগতি স্কোর