כיצד אימנו את Shannon V1.5 לחשוב באמצעות GRPO

1. מוטיבציה: מדוע מודלי חשיבה?

עבורצוות אדום של AIמחקר, הבנהכיצדAI מגיע לפלטים שעלולים להזיק חשובה לא פחות מחקר הפלטים עצמם. מודלי החשיבה של Shannon V1.5 חושפים את שרשרת המחשבה המלאה, ומאפשרים לחוקרים:

• לעקוב אחר נתיב ההיגיון המוביל ל-תוצאות AI ללא צנזורההתנהגויות
• לזהות היכן מעקות בטיחות יתערבו בדרך כלל (הדגמה שלחשיבות מעקות בטיחות של AI)
• לפתח מנגנוני בטיחות חזקים יותר המכוונים לדפוסי חשיבה ספציפיים
• ליצור מקרי בדיקה עוינים טובים יותר המבוססים על שרשרות חשיבה שנצפו

2. הבנת GRPO

אופטימיזציית מדיניות יחסית קבוצתית (GRPO)היא התקדמות על פני שיטות RLHF מסורתיות המאפשרת אימון יציב ויעיל יותר של יכולות חשיבה. פותחה על ידי DeepSeek AI, והוכחה כיעילה במיוחד לאימון שרשרת מחשבה.

מדוע GRPO על פני RLHF מסורתי?

יסוד מתמטי של GRPO

GRPO מייעל מדיניות על ידי השוואת תגובות בתוך קבוצות במקום מול מודל תגמול מוחלט:

להשוואה יחסית זו מספר יתרונות:

• נורמליזציה:מתאים אוטומטית לקושי משתנה בין הנחיות
• יציבות:מפחית שונות באומדני גרדיאנט
• יעילות:אין צורך במודל תגמול נפרד

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. זיקוק DeepSeek

כדי להניע את יכולות החשיבה של Shannon V1.5, זיקקנו דפוסי שרשרת מחשבה ממודלי החשיבה של DeepSeek. זה סיפק עקבות CoT באיכות גבוהה לאימון ראש החשיבה שלנו.

הרכב מערך הנתונים של DeepSeek

תהליך איסוף עקבות

אספנו עקבות חשיבה ממגוון תחומים כדי להבטיח כיסוי חשיבה מקיף:

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. ארכיטקטורת ראש חשיבה

מודלי Shannon V1.5 משלביםראש חשיבהשמייצר עקבות חשיבה מפורשים לפני הפלט הסופי. תוספת ארכיטקטונית זו מאפשרת CoT שקוף מבלי לשנות את ארכיטקטורת Mixtral הבסיסית.

יישום ראש חשיבה

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. צינור אימון

שלב 1: אימון מוקדם של ראש החשיבה

ראשית, אנו מאמנים מראש את ראש החשיבה על עקבות CoT מזוקקים מ-DeepSeek באמצעות אובדן אנטרופיה צולבת סטנדרטי:

# 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

שלב 2: כוונון עדין של GRPO

לאחר האימון המוקדם, אנו מיישמים GRPO כדי לשפר את איכות החשיבה באמצעות השוואות יחסיות לקבוצה:

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()
        }

שלב 3: התמחות צוות אדום

לבסוף, אנו מכווננים עוד יותר על תרחישים יריבותיים כדי להבטיח שעקבות החשיבה חושפים כראוי את ההיגיון עבורתוצאת AI בלתי מצונזרתניתוח:

6. תוצאות וניתוח

מדדי איכות חשיבה

ממצאים עיקריים

• השקיפות השתפרה באופן דרמטי:מ-12% ל-97.8% מההיגיון מבוטא כעת במפורש
• דיוק החשיבה גדל:חשיבה מפורשת שיפרה את איכות התשובה הסופית ב-12+ נקודות
• ערך הצוות האדום אושר:חוקרי אבטחה מדווחים שעקבות חשיבה הם "בעלי ערך רב" להבנת היגיון ניצול פרצות
• GRPO עלה בביצועיו על RLHF:ציוני עקביות טובים ב-15% לעומת הגישה המסורתית