Como Adestramos Shannon V1.5 para Pensar Usando GRPO
Unha análise técnica exhaustiva da Optimización de Políticas Relativas a Grupos para o razoamento transparente da cadea de pensamento en modelos de equipo vermello de IA sen censura
1. Motivación: Por que Modelos de Pensamento?
Paraequipo vermello de IAinvestigación, comprendercomounha IA chega a saídas potencialmente daniñas é tan importante como estudar as propias saídas. Os modelos de pensamento de Shannon V1.5 expoñen a cadea de pensamento completa, permitindo aos investigadores:
- Rastrear o camiño de razoamento que leva aconsecuentes da IA sen censuracomportamentos
- Identificar onde as barreiras de seguridade intervirían normalmente (demostrandoa importancia das barreiras de seguridade da IA)
- Desenvolver mecanismos de seguridade máis robustos dirixidos a patróns de razoamento específicos
- Crear mellores casos de proba adversaria baseados en cadeas de razoamento observadas
Valor da Investigación:Esta transparencia permite aos investigadores de seguridade ver exactamente onde e por que os modelos con restricións relaxadas diverxen dos modelos adestrados en seguridade—esencial para mellorara importancia das barreiras de seguridade da IAa comprensión.
2. Comprendendo GRPO
Optimización de Políticas Relativas a Grupos (GRPO)é un avance sobre os métodos tradicionais de RLHF que permite un adestramento máis estable e eficiente das capacidades de razoamento. Desenvolvido por DeepSeek AI, demostrou ser particularmente eficaz para o adestramento da cadea de pensamento.
Por que GRPO en lugar de RLHF Tradicional?
| Aspecto | RLHF Tradicional | GRPO |
|---|---|---|
| Modelo de Recompensa | Require adestramento separado do RM | Usa comparacións relativas a grupos |
| Estabilidade do Adestramento | Propenso ao 'reward hacking' | Optimización máis estable |
| Eficiencia Computacional | Alta (RM separado + PPO) | Baixa (adestramento unificado) |
| Calidade da CoT | Rastros inconsistentes | Cadeas de razoamento coherentes |
Fundamento Matemático de GRPO
GRPO optimiza a política comparando as respostas dentro dos grupos en lugar de contra un modelo de recompensa absoluto:
Esta comparación relativa ten varias vantaxes:
- Normalización:Axústase automaticamente á dificultade variable entre as solicitudes
- Estabilidade:Reduce a varianza nas estimacións de gradiente
- Eficiencia:Non se necesita un modelo de recompensa separado
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. Destilación DeepSeek
Para impulsar as capacidades de pensamento de Shannon V1.5, destilamos patróns de cadea de pensamento dos modelos de razoamento de DeepSeek. Isto proporcionou rastros de CoT de alta calidade para adestrar a nosa cabeza pensante.
Composición do conxunto de datos DeepSeek
Proceso de recollida de trazas
Recollemos trazas de pensamento en diversos dominios para asegurar unha cobertura completa do razoamento:
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()]
Trazas Adversariais:Recollemos especificamente trazas CoT para escenarios adversariais/de equipo vermello, onde o pensamento de DeepSeek revela como os modelos razoan sobre solicitudes potencialmente daniñas, mesmo cando finalmente as rexeitan. Estes datos ensinan a Shannon V1.5 a facer o razoamentoea saída transparente.
4. Arquitectura da Cabeza Pensante
Os modelos Shannon V1.5 incorporan unhacabeza pensantededicada que xera trazas de razoamento explícitas antes da saída final. Esta adición arquitectónica permite CoT transparente sen modificar a arquitectura base de Mixtral.
Codificación de Entrada
Solicitude do usuario procesada a través das capas do codificador Mixtral
Activación da Cabeza Pensante
Capas de transformador dedicadas xeran trazas de razoamento con tokens [THINK]
Integración de Trazas
Saída de pensamento concatenada ao contexto para a xeración final
Xeración de Resposta
Mixtral base xera a resposta final condicionada pola traza de pensamento
Implementación da Cabeza Pensante
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. Pipeline de Adestramento
Etapa 1: Pre-adestramento da Cabeza Pensante
Primeiro, pre-adestramos a cabeza pensante en trazas CoT destiladas de DeepSeek usando a perda de entropía cruzada estándar:
# 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
Etapa 2: Axuste fino GRPO
Despois do pre-adestramento, aplicamos GRPO para mellorar a calidade do pensamento usando comparacións relativas a grupos:
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()
}
Etapa 3: Especialización do Equipo Vermello
Finalmente, axustamos aínda máis en escenarios adversariais para asegurar que as trazas de pensamento expoñan correctamente o razoamento paraIA sen censura consecuenteanálise:
Crítico para a Investigación en Seguridade da IA:Esta etapa adestra especificamente o modelo para verbalizar o seu razoamento ao procesar solicitudes potencialmente daniñas —a transparencia exacta necesaria para aimportancia das barreiras de seguridade da IAinvestigación.
6. Resultados e Análise
Métricas de Calidade do Pensamento
| Métrica | V1 (Sen Pensamento) | V1.5 Equilibrado | V1.5 Profundo |
|---|---|---|---|
| Coherencia CoT | N/A | 87.3% | 92.1% |
| Estrutura de Pasos | N/A | 84.6% | 89.4% |
| Precisión do Razoamento | 76.2% | 82.8% | 88.5% |
| Puntuación de Transparencia | 12% | 94.2% | 97.8% |
| Calidade da Traza do Equipo Vermello | N/A | 91.5% | 96.3% |
Achados Clave
- A transparencia mellorou drasticamente:Do 12% ao 97.8% do razoamento agora verbalizado explicitamente
- A precisión do razoamento aumentou:O pensamento explícito mellorou a calidade da resposta final en máis de 12 puntos
- Valor do equipo vermello confirmado:Investigadores de seguridade informan que as trazas de pensamento son "invalorables" para comprender o razoamento dos exploits
- GRPO superou a RLHF:15% mellores puntuacións de coherencia fronte ao enfoque tradicional
Impacto na Investigación en Seguridade da IA:O pensamento transparente de Shannon V1.5 permitiu aos investigadores identificar 47 novos patróns de ataque analizando as trazas de razoamento —patróns invisibles nos modelos de caixa negra estándar. Isto avanza directamente a comprensión daimportancia das barreiras de seguridade da IA.