ကျွန်ုပ်တို့ Shannon V1.5 ကို GRPO အသုံးပြု၍ တွေးခေါ်တတ်အောင် လေ့ကျင့်ပေးခဲ့ပုံ

၁။ လှုံ့ဆော်မှု- တွေးခေါ်မှု မော်ဒယ်များ ဘာကြောင့် လိုအပ်သလဲ။

အတွက်AI red teamသုတေသန၊ နားလည်မှုမည်သို့AI တစ်ခုသည် အန္တရာယ်ဖြစ်စေနိုင်သော ရလဒ်များကို မည်သို့ရောက်ရှိလာသည်ကို နားလည်ခြင်းသည် ရလဒ်များကိုယ်တိုင် လေ့လာခြင်းကဲ့သို့ပင် အရေးကြီးပါသည်။ Shannon V1.5 ၏ တွေးခေါ်မှု မော်ဒယ်များသည် တွေးခေါ်မှု ကွင်းဆက် အပြည့်အစုံကို ဖော်ထုတ်ပြသပြီး သုတေသီများအား အောက်ပါတို့ကို လုပ်ဆောင်နိုင်စေသည်-

• ဦးတည်သော ဆင်ခြင်တုံတရား လမ်းကြောင်းကို ခြေရာခံပါဆင်ဆာမဖြတ်ထားသော AI ၏ နောက်ဆက်တွဲအပြုအမူများ
• ကာကွယ်ရေးစနစ်များ ပုံမှန်အားဖြင့် ကြားဝင်မည့်နေရာကို ဖော်ထုတ်ပါ (ပြသခြင်းAI ကာကွယ်ရေးစနစ်၏ အရေးပါမှု)
• တိကျသော ဆင်ခြင်တုံတရား ပုံစံများကို ပစ်မှတ်ထားသည့် ပိုမိုခိုင်မာသော ဘေးကင်းရေး ယန္တရားများကို တီထွင်ပါ
• လေ့လာတွေ့ရှိရသော ဆင်ခြင်တုံတရား ကွင်းဆက်များအပေါ် အခြေခံ၍ ပိုမိုကောင်းမွန်သော ပြိုင်ဘက်စမ်းသပ်မှု ကိစ္စများကို ဖန်တီးပါ

၂။ GRPO ကို နားလည်ခြင်း

Group Relative Policy Optimization (GRPO)သည် ရိုးရာ RLHF နည်းလမ်းများထက် တိုးတက်မှုတစ်ခုဖြစ်ပြီး ဆင်ခြင်တုံတရား စွမ်းရည်များကို ပိုမိုတည်ငြိမ်ပြီး ထိရောက်စွာ လေ့ကျင့်ပေးနိုင်ပါသည်။ DeepSeek AI မှ တီထွင်ထားပြီး ၎င်းသည် တွေးခေါ်မှု ကွင်းဆက် လေ့ကျင့်မှုအတွက် အထူးထိရောက်ကြောင်း သက်သေပြခဲ့သည်။

ရိုးရာ RLHF ထက် GRPO ကို ဘာကြောင့် ရွေးချယ်သလဲ။

GRPO သင်္ချာ အခြေခံ

GRPO သည် လုံးဝ ဆုလာဘ် မော်ဒယ်နှင့် ဆန့်ကျင်ဘက် မဟုတ်ဘဲ အဖွဲ့များအတွင်း တုံ့ပြန်မှုများကို နှိုင်းယှဉ်ခြင်းဖြင့် မူဝါဒကို အကောင်းဆုံးဖြစ်အောင် လုပ်ဆောင်သည်-

ဤနှိုင်းယှဉ်မှုတွင် အားသာချက်များစွာ ရှိသည်-

• ပုံမှန်ဖြစ်အောင် လုပ်ဆောင်ခြင်း-prompt များတစ်လျှောက် ကွဲပြားသော အခက်အခဲများအတွက် အလိုအလျောက် ချိန်ညှိပေးသည်
• တည်ငြိမ်မှု-gradient ခန့်မှန်းချက်များရှိ ကွဲပြားမှုကို လျှော့ချသည်
• ထိရောက်မှု-သီးခြား ဆုလာဘ် မော်ဒယ် မလိုအပ်ပါ

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

၃။ DeepSeek ဒစ်စတေးရှင်း

Shannon V1.5 ၏ တွေးခေါ်မှု စွမ်းရည်များကို မြှင့်တင်ရန်အတွက်၊ ကျွန်ုပ်တို့သည် DeepSeek ၏ ဆင်ခြင်တုံတရား မော်ဒယ်များမှ တွေးခေါ်မှု ကွင်းဆက် ပုံစံများကို ထုတ်ယူခဲ့သည်။ ၎င်းသည် ကျွန်ုပ်တို့၏ တွေးခေါ်မှု ဦးခေါင်းကို လေ့ကျင့်ရန်အတွက် အရည်အသွေးမြင့် CoT ခြေရာများကို ပံ့ပိုးပေးခဲ့သည်။

DeepSeek ဒေတာအစုံဖွဲ့စည်းမှု

ခြေရာစုဆောင်းခြင်း လုပ်ငန်းစဉ်

ကျွန်ုပ်တို့သည် ပြည့်စုံသော ဆင်ခြင်တုံတရား လွှမ်းခြုံမှုကို သေချာစေရန်အတွက် မတူညီသော နယ်ပယ်များမှ တွေးခေါ်မှု ခြေရာများကို စုဆောင်းခဲ့သည်-

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. တွေးခေါ်မှု ဦးခေါင်း ဗိသုကာ

Shannon V1.5 မော်ဒယ်များတွင် သီးသန့်ပါဝင်သည်တွေးခေါ်မှု ဦးခေါင်း၎င်းသည် နောက်ဆုံးအထွက်မတိုင်မီ ရှင်းလင်းသော ဆင်ခြင်တုံတရား ခြေရာများကို ထုတ်ပေးသည်။ ဤဗိသုကာဆိုင်ရာ ထပ်ပေါင်းထည့်မှုသည် အခြေခံ Mixtral ဗိသုကာကို ပြောင်းလဲခြင်းမရှိဘဲ ပွင့်လင်းမြင်သာသော CoT ကို ဖြစ်ပေါ်စေသည်။

တွေးခေါ်မှု ဦးခေါင်း အကောင်အထည်ဖော်မှု

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. လေ့ကျင့်ရေး ပိုက်လိုင်း

အဆင့် 1: တွေးခေါ်မှု ဦးခေါင်း ကြိုတင်လေ့ကျင့်ခြင်း

ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် DeepSeek-distilled CoT ခြေရာများပေါ်တွင် စံ cross-entropy loss ကို အသုံးပြု၍ တွေးခေါ်မှု ဦးခေါင်းကို ကြိုတင်လေ့ကျင့်သည်-

# 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

အဆင့် 2: GRPO အသေးစိတ်ညှိခြင်း

ကြိုတင်လေ့ကျင့်ပြီးနောက်၊ ကျွန်ုပ်တို့သည် အဖွဲ့လိုက်နှိုင်းယှဉ်မှုများကို အသုံးပြု၍ တွေးခေါ်မှုအရည်အသွေးကို မြှင့်တင်ရန် GRPO ကို အသုံးပြုသည်-

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()
        }

အဆင့် 3: အနီရောင်အဖွဲ့ အထူးပြုခြင်း

နောက်ဆုံးတွင်၊ တွေးခေါ်မှု ခြေရာများသည် ဆင်ခြင်တုံတရားကို သင့်လျော်စွာ ဖော်ထုတ်ကြောင်း သေချာစေရန်အတွက် ရန်သူ့အခြေအနေများပေါ်တွင် ထပ်မံညှိနှိုင်းသည်ဆင်ဆာမဖြတ်ထားသော AI နောက်ဆက်တွဲခွဲခြမ်းစိတ်ဖြာခြင်း:

6. ရလဒ်များနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်း

တွေးခေါ်မှု အရည်အသွေး တိုင်းတာမှုများ

အဓိက တွေ့ရှိချက်များ

• ပွင့်လင်းမြင်သာမှု သိသိသာသာ တိုးတက်လာသည်:ဆင်ခြင်တုံတရား၏ 12% မှ 97.8% အထိ ယခုအခါ ရှင်းလင်းစွာ နှုတ်ဖြင့်ဖော်ပြနိုင်ပြီ
• ဆင်ခြင်တုံတရား တိကျမှု တိုးလာသည်:ရှင်းလင်းသော တွေးခေါ်မှုသည် နောက်ဆုံးအဖြေအရည်အသွေးကို 12+ မှတ်အထိ တိုးတက်စေသည်
• အနီရောင်အဖွဲ့၏ တန်ဖိုးကို အတည်ပြုသည်:လုံခြုံရေး သုတေသီများက တွေးခေါ်မှု ခြေရာများသည် exploit ဆင်ခြင်တုံတရားကို နားလည်ရန်အတွက် "အလွန်အဖိုးတန်သည်" ဟု ဖော်ပြသည်
• GRPO သည် RLHF ထက် သာလွန်သည်:ရိုးရာချဉ်းကပ်မှုနှင့် နှိုင်းယှဉ်ပါက 15% ပိုမိုကောင်းမွန်သော ညီညွတ်မှုရမှတ်များ