हमने GRPO का उपयोग करके Shannon V1.5 को सोचना कैसे सिखाया

1. प्रेरणा: विचारशील मॉडल क्यों?

AI रेड टीमअनुसंधान में,यह समझनाकि कैसेएक AI संभावित हानिकारक आउटपुट तक पहुँचता है, उतना ही महत्वपूर्ण है जितना कि स्वयं आउटपुट का अध्ययन करना। Shannon V1.5 के विचारशील मॉडल विचार-श्रृंखला को पूरी तरह से उजागर करते हैं, जिससे शोधकर्ताओं को यह संभव होता है:

• तर्क पथ का पता लगाना जो ओर जाता हैअनसेंसर्ड AI के परिणामस्वरूप होने वालेव्यवहारों तक
• यह पहचानना कि गार्डरेल सामान्य रूप से कहाँ हस्तक्षेप करेंगे (यह प्रदर्शित करते हुए किAI गार्डरेल का महत्व)
• विशिष्ट तर्क पैटर्न को लक्षित करने वाले अधिक मजबूत सुरक्षा तंत्र विकसित करना
• देखे गए तर्क श्रृंखलाओं के आधार पर बेहतर विरोधी परीक्षण मामले बनाना

2. GRPO को समझना

ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO)पारंपरिक RLHF विधियों पर एक प्रगति है जो तर्क क्षमताओं के अधिक स्थिर और कुशल प्रशिक्षण को सक्षम बनाता है। DeepSeek AI द्वारा विकसित, यह विचार-श्रृंखला प्रशिक्षण के लिए विशेष रूप से प्रभावी साबित हुआ है।

पारंपरिक RLHF पर GRPO क्यों?

GRPO गणितीय आधार

GRPO एक निरपेक्ष रिवॉर्ड मॉडल के बजाय समूहों के भीतर प्रतिक्रियाओं की तुलना करके नीति को अनुकूलित करता है:

इस सापेक्ष तुलना के कई फायदे हैं:

• सामान्यीकरण:प्रॉम्प्ट्स में भिन्न कठिनाई के लिए स्वचालित रूप से समायोजित होता है
• स्थिरता:ग्रेडिएंट अनुमानों में भिन्नता को कम करता है
• दक्षता:किसी अलग रिवॉर्ड मॉडल की आवश्यकता नहीं है

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 डिस्टिलेशन

Shannon V1.5 की विचार क्षमताओं को बढ़ावा देने के लिए, हमने DeepSeek के तर्क मॉडल से विचार-श्रृंखला पैटर्न को डिस्टिल किया। इसने हमारे थिंकिंग हेड को प्रशिक्षित करने के लिए उच्च-गुणवत्ता वाले CoT ट्रेस प्रदान किए।

डीपसीक डेटासेट संरचना

ट्रेस संग्रह प्रक्रिया

हमने व्यापक तर्क कवरेज सुनिश्चित करने के लिए विभिन्न डोमेन में विचार ट्रेसेस एकत्र किए:

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. थिंकिंग हेड आर्किटेक्चर

Shannon V1.5 मॉडल में एक समर्पितथिंकिंग हेडशामिल है जो अंतिम आउटपुट से पहले स्पष्ट तर्क ट्रेसेस उत्पन्न करता है। यह स्थापत्य जोड़ आधार Mixtral आर्किटेक्चर को संशोधित किए बिना पारदर्शी CoT को सक्षम बनाता है।

थिंकिंग हेड कार्यान्वयन

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. प्रशिक्षण पाइपलाइन

चरण 1: थिंकिंग हेड प्री-ट्रेनिंग

सबसे पहले, हम मानक क्रॉस-एंट्रॉपी लॉस का उपयोग करके डीपसीक-डिस्टिल्ड CoT ट्रेसेस पर थिंकिंग हेड को प्री-ट्रेन करते हैं:

# 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

चरण 2: GRPO फाइन-ट्यूनिंग

प्री-ट्रेनिंग के बाद, हम समूह-सापेक्ष तुलनाओं का उपयोग करके थिंकिंग गुणवत्ता में सुधार के लिए GRPO लागू करते हैं:

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()
        }

चरण 3: रेड टीम विशेषज्ञता

अंत में, हम विरोधात्मक परिदृश्यों पर आगे ट्यून करते हैं ताकि यह सुनिश्चित हो सके कि थिंकिंग ट्रेसेस ठीक से तर्क को उजागर करते हैंअनसेंसर्ड AI परिणामीविश्लेषण के लिए:

6. परिणाम और विश्लेषण

थिंकिंग गुणवत्ता मेट्रिक्स

मुख्य निष्कर्ष

• पारदर्शिता में नाटकीय रूप से सुधार हुआ:12% से 97.8% तर्क अब स्पष्ट रूप से मौखिक रूप से व्यक्त किया गया
• तर्क सटीकता बढ़ी:स्पष्ट थिंकिंग ने अंतिम उत्तर की गुणवत्ता में 12+ अंकों का सुधार किया
• रेड टीम का मूल्य पुष्टि की गई:सुरक्षा शोधकर्ताओं की रिपोर्ट है कि एक्सप्लॉइट तर्क को समझने के लिए थिंकिंग ट्रेसेस "अमूल्य" हैं
• GRPO ने RLHF से बेहतर प्रदर्शन किया:पारंपरिक दृष्टिकोण की तुलना में 15% बेहतर सुसंगति स्कोर