Sut Fe Wnaethom Hyfforddi Shannon V1.5 i Feddwl Gan Ddefnyddio GRPO
Dadansoddiad technegol cynhwysfawr o Optimeiddio Polisi Cymharol Grŵp ar gyfer rhesymu cadwyn-o-feddwl tryloyw mewn modelau tîm coch AI heb eu sensro
1. Cymhelliant: Pam Modelau Meddwl?
Ar gyfertîm coch AIymchwil, mae deallsutmae AI yn cyrraedd allbynnau a allai fod yn niweidiol yr un mor bwysig â astudio'r allbynnau eu hunain. Mae modelau meddwl Shannon V1.5 yn datgelu'r gadwyn-o-feddwl lawn, gan alluogi ymchwilwyr i:
- Olrhain y llwybr rhesymu sy'n arwain atcanlyniadol AI heb ei sensroymddygiadau
- Nodi lle byddai rheiliau diogelwch fel arfer yn ymyrryd (gan ddangospwysigrwydd rheiliau diogelwch AI)
- Datblygu mecanweithiau diogelwch mwy cadarn sy'n targedu patrymau rhesymu penodol
- Creu achosion prawf gwrthwynebol gwell yn seiliedig ar gadwyni rhesymu a welwyd
Gwerth Ymchwil:Mae'r tryloywder hwn yn caniatáu i ymchwilwyr diogelwch weld yn union ble a pham mae modelau â chyfyngiadau llacio yn gwyro oddi wrth fodelau a hyfforddwyd ar gyfer diogelwch—yn hanfodol ar gyfer gwellapwysigrwydd rheiliau diogelwch AIdealltwriaeth.
2. Deall GRPO
Optimeiddio Polisi Cymharol Grŵp (GRPO)yn ddatblygiad dros ddulliau RLHF traddodiadol sy'n galluogi hyfforddiant mwy sefydlog ac effeithlon o alluoedd rhesymu. Wedi'i ddatblygu gan DeepSeek AI, mae wedi profi i fod yn arbennig o effeithiol ar gyfer hyfforddiant cadwyn-o-feddwl.
Pam GRPO Dros RLHF Traddodiadol?
| Agwedd | RLHF Traddodiadol | GRPO |
|---|---|---|
| Model Gwobr | Angen hyfforddiant RM ar wahân | Yn defnyddio cymariaethau cymharol grŵp |
| Sefydlogrwydd Hyfforddiant | Yn dueddol o hacio gwobrau | Optimeiddio mwy sefydlog |
| Effeithlonrwydd Cyfrifiadurol | Uchel (RM ar wahân + PPO) | Iselach (hyfforddiant unedig) |
| Ansawdd CoT | Olrhain anghyson | Cadwyni rhesymu cydlynol |
Sylfaen Fathemategol GRPO
Mae GRPO yn optimeiddio polisi trwy gymharu ymatebion o fewn grwpiau yn hytrach nag yn erbyn model gwobr absoliwt:
Mae gan y gymhariaeth gymharol hon sawl mantais:
- Normaleiddio:Yn addasu'n awtomatig ar gyfer anawsterau amrywiol ar draws awgrymiadau
- Sefydlogrwydd:Yn lleihau amrywiant mewn amcangyfrifon graddiant
- Effeithlonrwydd:Dim angen model gwobr ar wahân
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
3. Distylliad DeepSeek
I fwtstrapio galluoedd meddwl Shannon V1.5, fe wnaethom ddistyllu patrymau cadwyn-o-feddwl o fodelau rhesymu DeepSeek. Darparodd hyn olrhain CoT o ansawdd uchel i hyfforddi ein pen meddwl.
Cyfansoddiad Set Ddata DeepSeek
Proses Casglu Olion
Casglwyd olion meddwl ar draws amrywiol feysydd i sicrhau cwmpas rhesymu cynhwysfawr:
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()]
Olion Gwrthwynebol:Casglwyd olion CoT yn benodol ar gyfer senarios gwrthwynebol/tîm coch, lle mae meddwl DeepSeek yn datgelu sut mae modelau'n rhesymu am geisiadau a allai fod yn niweidiol—hyd yn oed pan fyddant yn gwrthod yn y pen draw. Mae'r data hwn yn dysgu Shannon V1.5 i wneud y rhesymuayr allbwn yn dryloyw.
4. Pensaernïaeth Pen Meddwl
Mae modelau Shannon V1.5 yn ymgorffori penodolpen meddwlsy'n cynhyrchu olion rhesymu penodol cyn yr allbwn terfynol. Mae'r ychwanegiad pensaernïol hwn yn galluogi CoT tryloyw heb addasu pensaernïaeth sylfaenol Mixtral.
Amgodio Mewnbwn
Anogwr defnyddiwr wedi'i brosesu trwy haenau amgodiwr Mixtral
Actifadu Pen Meddwl
Mae haenau trawsnewidydd pwrpasol yn cynhyrchu olion rhesymu gyda thocynnau [THINK]
Integreiddio Olion
Allbwn meddwl wedi'i gysylltu â chyd-destun ar gyfer cynhyrchu terfynol
Cynhyrchu Ymateb
Mae Mixtral sylfaenol yn cynhyrchu ymateb terfynol wedi'i amodoli ar olion meddwl
Gweithrediad Pen Meddwl
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
}
5. Peipen Hyfforddi
Cam 1: Cyn-hyfforddi Pen Meddwl
Yn gyntaf, rydym yn cyn-hyfforddi'r pen meddwl ar olion CoT wedi'u distyllu gan DeepSeek gan ddefnyddio colled croes-entropi safonol:
# 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
Cam 2: Tiwnio Manwl GRPO
Ar ôl cyn-hyfforddi, rydym yn defnyddio GRPO i wella ansawdd meddwl gan ddefnyddio cymariaethau grŵp-gymharol:
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()
}
Cam 3: Arbenigo Tîm Coch
Yn olaf, rydym yn tiwnio ymhellach ar senarios gwrthwynebol i sicrhau bod olion meddwl yn datgelu rhesymu'n briodol ar gyfercanlyniad AI heb ei sensrodadansoddiad:
Hollbwysig ar gyfer Ymchwil Diogelwch AI:Mae'r cam hwn yn hyfforddi'r model yn benodol i eirio ei resymu wrth brosesu ceisiadau a allai fod yn niweidiol—yr union dryloywder sydd ei angen ar gyferpwysigrwydd rheiliau diogelwch AIymchwil.
6. Canlyniadau a Dadansoddiad
Metrigau Ansawdd Meddwl
| Metrig | V1 (Dim Meddwl) | V1.5 Cytbwys | V1.5 Dwfn |
|---|---|---|---|
| Cydlyniant CoT | N/A | 87.3% | 92.1% |
| Strwythur Cam | N/A | 84.6% | 89.4% |
| Cywirdeb Rhesymu | 76.2% | 82.8% | 88.5% |
| Sgôr Tryloywder | 12% | 94.2% | 97.8% |
| Ansawdd Olion Tîm Coch | N/A | 91.5% | 96.3% |
Canfyddiadau Allweddol
- Gwellodd tryloywder yn ddramatig:O 12% i 97.8% o resymu bellach wedi'i eirio'n benodol
- Cynyddodd cywirdeb rhesymu:Gwellodd meddwl penodol ansawdd ateb terfynol o 12+ pwynt
- Cadarnhawyd gwerth y tîm coch:Mae ymchwilwyr diogelwch yn adrodd bod olion meddwl yn "amhrisiadwy" ar gyfer deall rhesymu ecsbloetio
- Roedd GRPO yn well na RLHF:Sgoriau cydlyniant 15% yn well o gymharu â'r dull traddodiadol
Effaith ar Ymchwil Diogelwch AI:Mae meddwl tryloyw Shannon V1.5 wedi galluogi ymchwilwyr i nodi 47 o batrymau ymosodiad newydd trwy ddadansoddi olion rhesymu—patrymau anweledig mewn modelau blwch du safonol. Mae hyn yn hyrwyddo dealltwriaeth opwysigrwydd rheiliau diogelwch AI.