आम्ही Shannon V1.5 ला GRPO वापरून विचार करायला कसे प्रशिक्षित केले

1. प्रेरणा: विचार करणारी मॉडेल्स का?

AI रेड टीमसंशोधनासाठी,एक AI संभाव्यतः हानिकारक निष्कर्षांपर्यंत कसे पोहोचते हे निष्कर्षांचा अभ्यास करण्याइतकेच महत्त्वाचे आहे. Shannon V1.5 ची विचार करणारी मॉडेल्स संपूर्ण विचार-शृंखला उघड करतात, ज्यामुळे संशोधकांना हे शक्य होते:कसेएक AI संभाव्यतः हानिकारक निष्कर्षांपर्यंत कसे पोहोचते हे निष्कर्षांचा अभ्यास करण्याइतकेच महत्त्वाचे आहे. Shannon V1.5 ची विचार करणारी मॉडेल्स संपूर्ण विचार-शृंखला उघड करतात, ज्यामुळे संशोधकांना हे शक्य होते:

• याकडे नेणाऱ्या तर्कशक्तीच्या मार्गाचा मागोवा घेणेअनिर्बंध AI चे परिणामीवर्तन
• जेथे सामान्यतः गार्डरेल्स हस्तक्षेप करतील ते ओळखणे (दर्शविते कीAI गार्डरेलचे महत्त्व)
• विशिष्ट तर्कशक्तीच्या पद्धतींना लक्ष्य करून अधिक मजबूत सुरक्षा यंत्रणा विकसित करणे
• निरीक्षण केलेल्या तर्कशक्तीच्या शृंखलांवर आधारित चांगले प्रतिकूल चाचणी प्रकरणे तयार करणे

2. GRPO समजून घेणे

ग्रुप रिलेटिव्ह पॉलिसी ऑप्टिमायझेशन (GRPO)हे पारंपारिक RLHF पद्धतींवरील एक प्रगती आहे जे तर्कशक्तीच्या क्षमतांचे अधिक स्थिर आणि कार्यक्षम प्रशिक्षण सक्षम करते. DeepSeek AI द्वारे विकसित केलेले, हे विचार-शृंखला प्रशिक्षणासाठी विशेषतः प्रभावी ठरले आहे.

पारंपारिक RLHF पेक्षा GRPO का?

GRPO गणितीय पाया

GRPO निरपेक्ष रिवॉर्ड मॉडेलच्या विरुद्ध करण्याऐवजी गटांमधील प्रतिसादांची तुलना करून धोरण ऑप्टिमाइझ करते:

या सापेक्ष तुलनेचे अनेक फायदे आहेत:

• सामान्यीकरण:प्रॉम्प्ट्समधील बदलत्या अडचणीसाठी आपोआप समायोजित होते
• स्थिरता:ग्रेडियंट अंदाजांमधील भिन्नता कमी करते
• कार्यक्षमता:स्वतंत्र रिवॉर्ड मॉडेलची आवश्यकता नाही

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. डीपसीक डिस्टिलेशन

Shannon V1.5 च्या विचार करण्याच्या क्षमतांना चालना देण्यासाठी, आम्ही DeepSeek च्या तर्कशक्तीच्या मॉडेल्समधून विचार-शृंखला पद्धती काढल्या. यामुळे आमच्या थिंकिंग हेडला प्रशिक्षित करण्यासाठी उच्च-गुणवत्तेचे CoT मागोवा मिळाले.

डीपसीक डेटासेट रचना

ट्रेस संकलन प्रक्रिया

आम्ही विविध डोमेनमधून विचार प्रक्रियांचे ट्रेसेस गोळा केले, ज्यामुळे तर्कशक्तीचे व्यापक कव्हरेज सुनिश्चित झाले:

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 मॉडेल्समध्ये एक समर्पितथिंकिंग हेडजे अंतिम आउटपुटपूर्वी स्पष्ट तर्क ट्रेसेस तयार करते. ही आर्किटेक्चरल भर बेस Mixtral आर्किटेक्चरमध्ये बदल न करता पारदर्शक CoT सक्षम करते.

थिंकिंग हेड अंमलबजावणी

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

टप्पा 1: थिंकिंग हेड प्री-ट्रेनिंग

प्रथम, आम्ही मानक क्रॉस-एन्ट्रॉपी लॉस वापरून DeepSeek-डिस्टिल्ड CoT ट्रेसेसवर थिंकिंग हेडला प्री-ट्रेन करतो:

# 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

टप्पा 2: GRPO फाइन-ट्यूनिंग

प्री-ट्रेनिंगनंतर, आम्ही ग्रुप-रिलेटिव्ह तुलना वापरून विचार गुणवत्ता सुधारण्यासाठी GRPO लागू करतो:

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()
        }

टप्पा 3: रेड टीम स्पेशलायझेशन

शेवटी, आम्ही प्रतिकूल परिस्थितींवर अधिक ट्यून करतो जेणेकरून विचार ट्रेसेस योग्यरित्या तर्कशक्ती उघड करतीलअनिर्बंध AI परिणामीविश्लेषण:

6. परिणाम आणि विश्लेषण

विचार गुणवत्ता मेट्रिक्स

मुख्य निष्कर्ष

• पारदर्शकतेत लक्षणीय सुधारणा झाली:12% वरून 97.8% तर्कशक्ती आता स्पष्टपणे व्यक्त केली जाते
• तर्क अचूकता वाढली:स्पष्ट विचारांमुळे अंतिम उत्तराची गुणवत्ता 12+ गुणांनी सुधारली
• रेड टीमचे मूल्य निश्चित झाले:सुरक्षा संशोधकांनी अहवाल दिला आहे की एक्सप्लॉइट तर्क समजून घेण्यासाठी थिंकिंग ट्रेसेस "अमूल्य" आहेत
• GRPO ने RLHF पेक्षा सरस कामगिरी केली:पारंपारिक दृष्टिकोनापेक्षा 15% चांगले सुसंगतता स्कोअर