چگونه Shannon V1.5 را برای تفکر با استفاده از GRPO آموزش دادیم

۱. انگیزه: چرا مدل‌های تفکر؟

برایتیم قرمز هوش مصنوعیتحقیق، درکچگونگیرسیدن یک هوش مصنوعی به خروجی‌های بالقوه مضر به همان اندازه مهم است که مطالعه خود خروجی‌ها. مدل‌های تفکر Shannon V1.5 زنجیره تفکر کامل را آشکار می‌کنند و محققان را قادر می‌سازند تا:

• مسیر استدلال منتهی بهپیامدهای هوش مصنوعی بدون سانسوررفتارها
• شناسایی نقاطی که محافظ‌ها به طور معمول مداخله می‌کنند (نشان‌دهندهاهمیت محافظ هوش مصنوعی)
• توسعه مکانیزم‌های ایمنی قوی‌تر با هدف الگوهای استدلال خاص
• ایجاد موارد آزمایشی خصمانه بهتر بر اساس زنجیره‌های استدلال مشاهده شده

۲. درک GRPO

بهینه‌سازی سیاست نسبی گروهی (GRPO)پیشرفتی نسبت به روش‌های سنتی RLHF است که آموزش پایدارتر و کارآمدتر قابلیت‌های استدلال را ممکن می‌سازد. این روش که توسط DeepSeek AI توسعه یافته، به ویژه برای آموزش زنجیره تفکر مؤثر بوده است.

چرا GRPO به جای RLHF سنتی؟

مبانی ریاضی GRPO

GRPO سیاست را با مقایسه پاسخ‌ها در داخل گروه‌ها به جای مقایسه با یک مدل پاداش مطلق بهینه می‌کند:

این مقایسه نسبی چندین مزیت دارد:

• نرمال‌سازی:به طور خودکار برای دشواری‌های متفاوت در طول پرامپت‌ها تنظیم می‌شود
• پایداری:واریانس در تخمین‌های گرادیان را کاهش می‌دهد
• کارایی:مدل پاداش جداگانه لازم نیست

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

۳. تقطیر DeepSeek

برای راه‌اندازی قابلیت‌های تفکر Shannon V1.5، الگوهای زنجیره تفکر را از مدل‌های استدلال DeepSeek تقطیر کردیم. این امر ردیابی‌های CoT با کیفیت بالا را برای آموزش سر تفکر ما فراهم کرد.

ترکیب مجموعه داده DeepSeek

فرآیند جمع‌آوری ردیابی

ما ردیابی‌های فکری را در دامنه‌های مختلف جمع‌آوری کردیم تا پوشش جامع استدلال را تضمین کنیم:

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. معماری سر تفکر

مدل‌های Shannon V1.5 شامل یکسر تفکراختصاصی هستند که ردیابی‌های استدلالی صریح را قبل از خروجی نهایی تولید می‌کنند. این افزودنی معماری، CoT شفاف را بدون تغییر معماری پایه Mixtral امکان‌پذیر می‌سازد.

پیاده‌سازی سر تفکر

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. خط لوله آموزش

مرحله 1: پیش‌آموزش سر تفکر

ابتدا، ما سر تفکر را بر روی ردیابی‌های CoT تقطیر شده از DeepSeek با استفاده از تابع زیان آنتروپی متقاطع استاندارد پیش‌آموزش می‌دهیم:

# 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

مرحله 2: تنظیم دقیق GRPO

پس از پیش‌آموزش، ما GRPO را برای بهبود کیفیت تفکر با استفاده از مقایسه‌های گروهی-نسبی اعمال می‌کنیم:

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()
        }

مرحله 3: تخصص تیم قرمز

در نهایت، ما بیشتر بر روی سناریوهای خصمانه تنظیم می‌کنیم تا اطمینان حاصل کنیم که ردیابی‌های تفکر به درستی استدلال را برایتحلیل پیامدهای هوش مصنوعی بدون سانسورآشکار می‌کنند:

6. نتایج و تحلیل

معیارهای کیفیت تفکر

یافته‌های کلیدی

• شفافیت به طور چشمگیری بهبود یافت:از 12% به 97.8% از استدلال اکنون به صراحت بیان می‌شود
• دقت استدلال افزایش یافت:تفکر صریح کیفیت پاسخ نهایی را بیش از 12 امتیاز بهبود بخشید
• ارزش تیم قرمز تأیید شد:محققان امنیتی گزارش می‌دهند که ردیابی‌های تفکر برای درک استدلال بهره‌برداری «بسیار ارزشمند» هستند
• GRPO از RLHF بهتر عمل کرد:15% امتیاز انسجام بهتر در مقایسه با رویکرد سنتی