Hvordan vi trente Shannon V1.5 til å tenke ved hjelp av GRPO
En omfattende teknisk gjennomgang av Grupperelatert Policyoptimalisering for transparent tankekjede-resonnement i usensurerte AI red team-modeller
1. Motivasjon: Hvorfor Tenkemodeller?
ForAI red teamforskning, er forståelsen avhvordanen AI kommer frem til potensielt skadelige utdata like viktig som å studere utdataene selv. Shannon V1.5s tenkemodeller avslører hele tankekjeden, noe som gjør det mulig for forskere å:
- Spore resonnementsbanen som fører tilusensurerte AI-konsekventeatferder
- Identifisere hvor sikkerhetsbarrierer normalt ville gripe inn (demonstrererviktigheten av AI-sikkerhetsbarrierer)
- Utvikle mer robuste sikkerhetsmekanismer rettet mot spesifikke resonnementsmønstre
- Lage bedre fiendtlige testtilfeller basert på observerte resonnementskjeder
Forskningsverdi:Denne åpenheten lar sikkerhetsforskere se nøyaktig hvor og hvorfor modeller med avslappede begrensninger avviker fra sikkerhetstrente modeller – avgjørende for å forbedreviktigheten av AI-sikkerhetsbarriererforståelsen.
2. Forstå GRPO
Grupperelatert Policyoptimalisering (GRPO)er et fremskritt i forhold til tradisjonelle RLHF-metoder som muliggjør mer stabil og effektiv trening av resonnementsevner. Utviklet av DeepSeek AI, har det vist seg spesielt effektivt for tankekjede-trening.
Hvorfor GRPO fremfor tradisjonell RLHF?
| Aspekt | Tradisjonell RLHF | GRPO |
|---|---|---|
| Belønningsmodell | Krever separat RM-trening | Bruker grupperelative sammenligninger |
| Treningsstabilitet | Utsatt for belønningshacking | Mer stabil optimalisering |
| Beregningsseffektivitet | Høy (separat RM + PPO) | Lavere (forent trening) |
| CoT-kvalitet | Inkonsistente spor | Koherente resonnementskjeder |
GRPO Matematisk Grunnlag
GRPO optimaliserer policy ved å sammenligne svar innenfor grupper i stedet for mot en absolutt belønningsmodell:
Denne relative sammenligningen har flere fordeler:
- Normalisering:Justerer automatisk for varierende vanskelighetsgrad på tvers av prompter
- Stabilitet:Reduserer varians i gradientestimater
- Effektivitet:Ingen separat belønningsmodell nødvendig
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 Destillasjon
For å starte Shannon V1.5s tenkeevner, destillerte vi tankekjede-mønstre fra DeepSeeks resonnementsmodeller. Dette ga høykvalitets CoT-spor for å trene vårt tenkehode.
DeepSeek Datasettkomposisjon
Sporinnsamlingsprosess
Vi samlet tankespor på tvers av ulike domener for å sikre omfattende resonneringsdekning:
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()]
Adversære Spor:Vi samlet spesifikt CoT-spor for adversære/rød-team-scenarier, der DeepSeeks tenkning avslører hvordan modeller resonnerer om potensielt skadelige forespørsler – selv når de til slutt nekter. Disse dataene lærer Shannon V1.5 å gjøre resonnementetogutdataene transparente.
4. Tenkehode-arkitektur
Shannon V1.5-modeller inkluderer et dedikerttenkehodesom genererer eksplisitte resonneringsspor før den endelige utdataen. Dette arkitektoniske tillegget muliggjør transparent CoT uten å modifisere den grunnleggende Mixtral-arkitekturen.
Innkoding av input
Brukerforespørsel behandlet gjennom Mixtral-enkoderlag
Aktivering av tenkehode
Dedikerte transformatorlag genererer resonneringsspor med [THINK]-tokener
Sporintegrasjon
Tenkeutdata sammenføyd med kontekst for endelig generering
Svar-generering
Grunnleggende Mixtral genererer endelig svar betinget av tankesporet
Implementering av tenkehode
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. Treningspipeline
Trinn 1: Forhåndstrening av tenkehode
Først forhåndstrener vi tenkehodet på DeepSeek-destillerte CoT-spor ved hjelp av standard kryssentropi-tap:
# 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
Trinn 2: GRPO Finjustering
Etter forhåndstrening bruker vi GRPO for å forbedre tenkekvaliteten ved hjelp av grupperelative sammenligninger:
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()
}
Trinn 3: Rød Team Spesialisering
Til slutt finjusterer vi ytterligere på adversære scenarier for å sikre at tankespor riktig avslører resonnement forusensurert AI-konsekventanalyse:
Kritisk for AI-sikkerhetsforskning:Dette trinnet trener spesifikt modellen til å verbalisere sitt resonnement når den behandler potensielt skadelige forespørsler – den nøyaktige transparensen som trengs forviktigheten av AI-sikkerhetsbarriererforskning.
6. Resultater og Analyse
Målinger for tenkekvalitet
| Måling | V1 (Ingen Tenkning) | V1.5 Balansert | V1.5 Dyp |
|---|---|---|---|
| CoT Koherens | N/A | 87.3% | 92.1% |
| Trinnstruktur | N/A | 84.6% | 89.4% |
| Resonneringsnøyaktighet | 76.2% | 82.8% | 88.5% |
| Transparens-score | 12% | 94.2% | 97.8% |
| Rød Team Spor Kvalitet | N/A | 91.5% | 96.3% |
Nøkkelfunn
- Transparensen forbedret seg dramatisk:Fra 12% til 97.8% av resonnementet er nå eksplisitt verbalisert
- Resonneringsnøyaktigheten økte:Eksplisitt tenkning forbedret kvaliteten på det endelige svaret med 12+ poeng
- Rød team-verdi bekreftet:Sikkerhetsforskere rapporterer at tankespor er «uvurderlige» for å forstå utnyttelsesresonnement
- GRPO overgikk RLHF:15% bedre koherens-score vs. tradisjonell tilnærming
Innvirkning på AI-sikkerhetsforskning:Shannon V1.5s transparente tenkning har gjort det mulig for forskere å identifisere 47 nye angrepsmønstre ved å analysere resonneringsspor – mønstre som er usynlige i standard svartboksmodeller. Dette fremmer direkte forståelsen avviktigheten av AI-sikkerhetsbarrierer.