Kiel Ni Trejnis Shannon V1.5 Pensi Uzante GRPO

1. Motivo: Kial Pensmodeloj?

PorAI-ruĝa teamoesploro, komprenokielAI alvenas al eble damaĝaj eligaĵoj estas same grava kiel studi la eligaĵojn mem. La pensmodeloj de Shannon V1.5 elmontras la plenan pensĉenon, ebligante esploristojn al:

• Spuri la rezonan vojon kondukantan alnecenzuritaj AI-konsekvencajkondutoj
• Identigi kie sekurecaj bariloj normale intervenus (demonstranteAI-sekurecbarila graveco)
• Disvolvi pli fortikajn sekurecajn mekanismojn celantajn specifajn rezonajn ŝablonojn
• Krei pli bonajn kontraŭulajn testkazojn bazitajn sur observitaj rezonaj ĉenoj

2. Kompreno de GRPO

Grupa Relativa Politika Optimumigo (GRPO)estas progreso super tradiciaj RLHF-metodoj kiu ebligas pli stabilan kaj efikan trejnadon de rezonkapabloj. Disvolvita de DeepSeek AI, ĝi pruvis sin precipe efika por pensĉena trejnado.

Kial GRPO Super Tradicia RLHF?

GRPO Matematika Fundamento

GRPO optimumigas politikon komparante respondojn ene de grupoj anstataŭ kontraŭ absoluta premia modelo:

Ĉi tiu relativa komparo havas plurajn avantaĝojn:

• Normaligo:Aŭtomate ĝustigas por varia malfacileco tra petoj
• Stabileco:Reduktas variancon en gradientaj taksoj
• Efikeco:Neniu aparta premia modelo necesas

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. DeepSeek Distilado

Por startigi la penskapablojn de Shannon V1.5, ni distilis pensĉenajn ŝablonojn de la rezonmodeloj de DeepSeek. Ĉi tio provizis altkvalitajn CoT-spurojn por trejni nian penskapon.

Konsisto de Datumaro DeepSeek

Procezo de Kolektado de Spuroj

Ni kolektis pensospurojn tra diversaj domajnoj por certigi ampleksan rezonan kovradon:

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()]

4. Arkitekturo de Penskapo

Modeloj Shannon V1.5 inkluzivas dediĉitanpenskapokiu generas eksplicitajn rezonajn spurojn antaŭ la fina eliro. Ĉi tiu arkitektura aldono ebligas travideblan pensĉenon sen modifi la bazan Mixtral-arkitekturon.

Efektivigo de Penskapo

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. Trejna Dukto

Fazo 1: Antaŭtrejnado de Penskapo

Unue, ni antaŭtrejnas la penskapon per DeepSeek-distilitaj pensĉenaj spuroj uzante norman kruc-entropian perdon:

# 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

Fazo 2: GRPO Fajnagordado

Post antaŭtrejnado, ni aplikas GRPO por plibonigi pensokvaliton uzante grup-relativajn komparojn:

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()
        }

Fazo 3: Ruĝateama Specialiĝo

Fine, ni plu agordas per kontraŭulaj scenaroj por certigi, ke pensospuroj ĝuste elmontras rezonadon pornecenzurita AI konsekvencaanalizo:

6. Rezultoj & Analizo

Metrikoj de Pensokvalito

Ŝlosilaj Trovoj

• Travidebleco draste pliboniĝis:De 12% al 97.8% de rezonado nun eksplicite vortigita
• Rezona precizeco pliiĝis:Eksplicita pensado plibonigis finan respondokvaliton je 12+ poentoj
• Ruĝateama valoro konfirmita:Sekurecaj esploristoj raportas, ke pensospuroj estas "netakseblaj" por kompreni ekspluatan rezonadon
• GRPO superis RLHF:15% pli bonaj koheraj poentaroj kompare al tradicia aliro