Kako smo trenirali Shannon V1.5 da razmišlja koristeći GRPO
Sveobuhvatna tehnička analiza optimizacije grupne relativne politike za transparentno razmišljanje lanca misli u necenzuriranim modelima crvenog tima umjetne inteligencije
1. Motivacija: Zašto modeli razmišljanja?
Zacrveni tim umjetne inteligencijeistraživanje, razumijevanjekakoumjetna inteligencija dolazi do potencijalno štetnih rezultata jednako je važno kao i proučavanje samih rezultata. Modeli razmišljanja Shannon V1.5 otkrivaju cijeli lanac misli, omogućujući istraživačima da:
- Pratiti put razmišljanja koji vodi donecenzuriranih posljedica umjetne inteligencijeponašanja
- Identificirati gdje bi zaštitne mjere normalno intervenirale (pokazujućivažnost zaštitnih mjera umjetne inteligencije)
- Razviti robusnije sigurnosne mehanizme koji ciljaju specifične obrasce razmišljanja
- Stvoriti bolje suparničke testne slučajeve na temelju promatranih lanaca razmišljanja
Istraživačka vrijednost:Ova transparentnost omogućuje istraživačima sigurnosti da vide točno gdje i zašto modeli s opuštenim ograničenjima odstupaju od modela obučenih za sigurnost—ključno za poboljšanjevažnosti zaštitnih mjera umjetne inteligencijerazumijevanja.
2. Razumijevanje GRPO-a
Optimizacija grupne relativne politike (GRPO)je napredak u odnosu na tradicionalne RLHF metode koji omogućuje stabilniju i učinkovitiju obuku sposobnosti razmišljanja. Razvijen od strane DeepSeek AI, pokazao se posebno učinkovitim za obuku lanca misli.
Zašto GRPO umjesto tradicionalnog RLHF-a?
| Aspekt | Tradicionalni RLHF | GRPO |
|---|---|---|
| Model nagrađivanja | Zahtijeva zasebnu obuku RM-a | Koristi grupno-relativne usporedbe |
| Stabilnost obuke | Sklon hakiranju nagrada | Stabilnija optimizacija |
| Računalna učinkovitost | Visoka (zasebni RM + PPO) | Niža (objedinjena obuka) |
| Kvaliteta lanca misli | Nedosljedni tragovi | Koherentni lanci razmišljanja |
GRPO Matematička osnova
GRPO optimizira politiku uspoređujući odgovore unutar grupa umjesto protiv apsolutnog modela nagrađivanja:
Ova relativna usporedba ima nekoliko prednosti:
- Normalizacija:Automatski se prilagođava različitim poteškoćama među upitima
- Stabilnost:Smanjuje varijancu u procjenama gradijenta
- Učinkovitost:Nije potreban zaseban model nagrađivanja
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 Destilacija
Kako bismo pokrenuli sposobnosti razmišljanja Shannon V1.5, destilirali smo obrasce lanca misli iz DeepSeek-ovih modela razmišljanja. To je osiguralo visokokvalitetne tragove lanca misli za obuku naše glave za razmišljanje.
Sastav DeepSeek skupa podataka
Proces prikupljanja tragova
Prikupili smo tragove razmišljanja iz različitih domena kako bismo osigurali sveobuhvatnu pokrivenost zaključivanja:
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()]
Protivnički tragovi:Posebno smo prikupili CoT tragove za scenarije protivničkih/crvenih timova, gdje DeepSeekovo razmišljanje otkriva kako modeli zaključuju o potencijalno štetnim zahtjevima—čak i kada ih na kraju odbiju. Ovi podaci uče Shannon V1.5 da razmišljanje učiniiizlaz transparentnim.
4. Arhitektura glave za razmišljanje
Modeli Shannon V1.5 uključuju namjenskuglavu za razmišljanjekoja generira eksplicitne tragove zaključivanja prije konačnog izlaza. Ovaj arhitektonski dodatak omogućuje transparentan CoT bez modificiranja osnovne Mixtral arhitekture.
Kodiranje ulaza
Korisnički upit obrađen kroz Mixtral slojeve kodera
Aktivacija glave za razmišljanje
Namjenski transformatorski slojevi generiraju trag razmišljanja s [THINK] tokenima
Integracija tragova
Izlaz razmišljanja spojen s kontekstom za konačnu generaciju
Generiranje odgovora
Osnovni Mixtral generira konačni odgovor uvjetovan tragom razmišljanja
Implementacija glave za razmišljanje
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. Cjevovod obuke
Faza 1: Predobuka glave za razmišljanje
Prvo, predobučavamo glavu za razmišljanje na CoT tragovima destiliranim iz DeepSeeka koristeći standardni gubitak unakrsne entropije:
# 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
Faza 2: GRPO fino podešavanje
Nakon predobuke, primjenjujemo GRPO za poboljšanje kvalitete razmišljanja koristeći grupno-relativne usporedbe:
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()
}
Faza 3: Specijalizacija crvenog tima
Konačno, dodatno se podešavamo na protivničkim scenarijima kako bismo osigurali da tragovi razmišljanja pravilno izlažu zaključivanje zanecenzuriranu AI posljedičnuanalizu:
Ključno za istraživanje sigurnosti AI:Ova faza specifično obučava model da verbalizira svoje zaključivanje prilikom obrade potencijalno štetnih zahtjeva—točno onu transparentnost potrebnu zavažnost AI zaštitnih ogradaistraživanje.
6. Rezultati i analiza
Metrike kvalitete razmišljanja
| Metrika | V1 (Bez razmišljanja) | V1.5 Uravnoteženo | V1.5 Duboko |
|---|---|---|---|
| CoT koherentnost | N/A | 87.3% | 92.1% |
| Struktura koraka | N/A | 84.6% | 89.4% |
| Točnost zaključivanja | 76.2% | 82.8% | 88.5% |
| Ocjena transparentnosti | 12% | 94.2% | 97.8% |
| Kvaliteta tragova crvenog tima | N/A | 91.5% | 96.3% |
Ključni nalazi
- Transparentnost se dramatično poboljšala:Od 12% do 97.8% zaključivanja sada je eksplicitno verbalizirano
- Točnost zaključivanja se povećala:Eksplicitno razmišljanje poboljšalo je kvalitetu konačnog odgovora za 12+ bodova
- Vrijednost crvenog tima potvrđena:Sigurnosni istraživači izvještavaju da su tragovi razmišljanja „neprocjenjivi“ za razumijevanje zaključivanja eksploatacije
- GRPO je nadmašio RLHF:15% bolje ocjene koherentnosti u odnosu na tradicionalni pristup
Utjecaj na istraživanje sigurnosti AI:Transparentno razmišljanje Shannon V1.5 omogućilo je istraživačima da identificiraju 47 novih obrazaca napada analizirajući tragove zaključivanja—obrasce nevidljive u standardnim modelima crne kutije. To izravno unapređuje razumijevanjevažnosti AI zaštitnih ograda.