Bagaimana Kami Melatih Shannon V1.5 untuk Berpikir Menggunakan GRPO
Penjelasan teknis komprehensif tentang Group Relative Policy Optimization untuk penalaran rantai-pemikiran yang transparan dalam model tim merah AI tanpa sensor
1. Motivasi: Mengapa Model Berpikir?
Untuktim merah AIpenelitian, memahamibagaimanasebuah AI mencapai keluaran yang berpotensi berbahaya sama pentingnya dengan mempelajari keluaran itu sendiri. Model berpikir Shannon V1.5 mengungkap rantai-pemikiran penuh, memungkinkan peneliti untuk:
- Melacak jalur penalaran yang mengarah kekonsekuensi AI tanpa sensorperilaku
- Mengidentifikasi di mana pagar pembatas biasanya akan campur tangan (menunjukkanpentingnya pagar pembatas AI)
- Mengembangkan mekanisme keamanan yang lebih kuat yang menargetkan pola penalaran tertentu
- Membuat kasus uji adversarial yang lebih baik berdasarkan rantai penalaran yang diamati
Nilai Penelitian:Transparansi ini memungkinkan peneliti keamanan untuk melihat dengan tepat di mana dan mengapa model yang batasan-nya dilonggarkan menyimpang dari model yang dilatih keamanan—penting untuk meningkatkanpentingnya pagar pembatas AIpemahaman.
2. Memahami GRPO
Group Relative Policy Optimization (GRPO)adalah kemajuan dari metode RLHF tradisional yang memungkinkan pelatihan kemampuan penalaran yang lebih stabil dan efisien. Dikembangkan oleh DeepSeek AI, ini terbukti sangat efektif untuk pelatihan rantai-pemikiran.
Mengapa GRPO Lebih Unggul dari RLHF Tradisional?
| Aspek | RLHF Tradisional | GRPO |
|---|---|---|
| Model Hadiah | Membutuhkan pelatihan RM terpisah | Menggunakan perbandingan relatif kelompok |
| Stabilitas Pelatihan | Rentan terhadap peretasan hadiah | Optimasi lebih stabil |
| Efisiensi Komputasi | Tinggi (RM terpisah + PPO) | Lebih Rendah (pelatihan terpadu) |
| Kualitas CoT | Jejak tidak konsisten | Rantai penalaran yang koheren |
Dasar Matematika GRPO
GRPO mengoptimalkan kebijakan dengan membandingkan respons dalam kelompok daripada terhadap model hadiah absolut:
Perbandingan relatif ini memiliki beberapa keuntungan:
- Normalisasi:Secara otomatis menyesuaikan untuk kesulitan yang bervariasi di seluruh prompt
- Stabilitas:Mengurangi variansi dalam estimasi gradien
- Efisiensi:Tidak diperlukan model hadiah terpisah
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. Distilasi DeepSeek
Untuk memulai kemampuan berpikir Shannon V1.5, kami mendistilasi pola rantai-pemikiran dari model penalaran DeepSeek. Ini menyediakan jejak CoT berkualitas tinggi untuk melatih kepala berpikir kami.
Komposisi Dataset DeepSeek
Proses Pengumpulan Jejak
Kami mengumpulkan jejak pemikiran di berbagai domain untuk memastikan cakupan penalaran yang komprehensif:
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()]
Jejak Adversarial:Kami secara khusus mengumpulkan jejak CoT untuk skenario adversarial/tim merah, di mana pemikiran DeepSeek mengungkapkan bagaimana model bernalar tentang permintaan yang berpotensi berbahaya—bahkan ketika pada akhirnya menolak. Data ini mengajarkan Shannon V1.5 untuk membuat penalarandanoutputnya transparan.
4. Arsitektur Kepala Pemikiran
Model Shannon V1.5 menggabungkan sebuahkepala pemikiranyang menghasilkan jejak penalaran eksplisit sebelum output akhir. Penambahan arsitektur ini memungkinkan CoT transparan tanpa memodifikasi arsitektur dasar Mixtral.
Pengodean Masukan
Prompt pengguna diproses melalui lapisan encoder Mixtral
Aktivasi Kepala Pemikiran
Lapisan transformer khusus menghasilkan jejak penalaran dengan token [THINK]
Integrasi Jejak
Output pemikiran digabungkan ke konteks untuk generasi akhir
Generasi Respons
Mixtral dasar menghasilkan respons akhir yang dikondisikan pada jejak pemikiran
Implementasi Kepala Pemikiran
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. Saluran Pelatihan
Tahap 1: Pra-pelatihan Kepala Pemikiran
Pertama, kami melatih kepala pemikiran pada jejak CoT yang didistilasi DeepSeek menggunakan kerugian cross-entropy standar:
# 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
Tahap 2: Penyetelan Halus GRPO
Setelah pra-pelatihan, kami menerapkan GRPO untuk meningkatkan kualitas pemikiran menggunakan perbandingan relatif kelompok:
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()
}
Stage 3: Red Team Specialization
Akhirnya, kami menyetel lebih lanjut pada skenario adversarial untuk memastikan jejak pemikiran secara tepat mengungkapkan penalaran untukkonsekuensi AI tanpa sensoranalisis:
Kritis untuk Penelitian Keamanan AI:Tahap ini secara khusus melatih model untuk mengungkapkan penalaran saat memproses permintaan yang berpotensi berbahaya—transparansi yang tepat diperlukan untukpentingnya pagar pengaman AIpenelitian.
6. Hasil & Analisis
Metrik Kualitas Pemikiran
| Metrik | V1 (Tanpa Pemikiran) | V1.5 Seimbang | V1.5 Mendalam |
|---|---|---|---|
| Koherensi CoT | N/A | 87.3% | 92.1% |
| Struktur Langkah | N/A | 84.6% | 89.4% |
| Akurasi Penalaran | 76.2% | 82.8% | 88.5% |
| Skor Transparansi | 12% | 94.2% | 97.8% |
| Kualitas Jejak Tim Merah | N/A | 91.5% | 96.3% |
Temuan Utama
- Transparansi meningkat secara dramatis:Dari 12% menjadi 97.8% penalaran kini diungkapkan secara eksplisit
- Akurasi penalaran meningkat:Pemikiran eksplisit meningkatkan kualitas jawaban akhir sebesar 12+ poin
- Nilai tim merah dikonfirmasi:Peneliti keamanan melaporkan jejak pemikiran "tak ternilai" untuk memahami penalaran eksploitasi
- GRPO mengungguli RLHF:Skor koherensi 15% lebih baik dibandingkan pendekatan tradisional
Dampak pada Penelitian Keamanan AI:Pemikiran transparan Shannon V1.5 telah memungkinkan peneliti mengidentifikasi 47 pola serangan baru dengan menganalisis jejak penalaran—pola yang tidak terlihat pada model kotak hitam standar. Ini secara langsung memajukan pemahaman tentangpentingnya pagar pengaman AI.