GRPO භාවිතයෙන් Shannon V1.5 සිතීමට පුහුණු කළ ආකාරය

1. අභිප්‍රේරණය: චින්තන ආකෘති අවශ්‍ය වන්නේ ඇයි?

සඳහාAI රතු කණ්ඩායම්පර්යේෂණ, අවබෝධයකෙසේදAI එකක් විභව හානිකර ප්‍රතිදාන වෙත ළඟා වන්නේ කෙසේද යන්න එම ප්‍රතිදාන අධ්‍යයනය කිරීම තරම්ම වැදගත් වේ. Shannon V1.5 හි චින්තන ආකෘති සම්පූර්ණ චින්තන දාමය හෙළි කරන අතර, පර්යේෂකයන්ට පහත දේ කිරීමට හැකියාව ලබා දෙයි:

• හේතු දැක්වීමේ මාර්ගය සොයා ගැනීමවාරණය නොකළ AI ප්‍රතිඵලහැසිරීම්
• ආරක්ෂක වැටවල් සාමාන්‍යයෙන් මැදිහත් වන ස්ථාන හඳුනා ගැනීම (පෙන්වමින්AI ආරක්ෂක වැටවල වැදගත්කම)
• නිශ්චිත තර්කන රටා ඉලක්ක කර ගනිමින් වඩාත් ශක්තිමත් ආරක්ෂක යාන්ත්‍රණ සංවර්ධනය කිරීම
• නිරීක්ෂණය කරන ලද තර්කන දාම මත පදනම්ව වඩා හොඳ ප්‍රතිවිරුද්ධ පරීක්ෂණ අවස්ථා නිර්මාණය කිරීම

2. GRPO අවබෝධ කර ගැනීම

සමූහ සාපේක්ෂ ප්‍රතිපත්ති ප්‍රශස්තකරණය (GRPO)සාම්ප්‍රදායික RLHF ක්‍රමවලට වඩා දියුණුවකි, එය තර්කන හැකියාවන් වඩාත් ස්ථාවර හා කාර්යක්ෂමව පුහුණු කිරීමට හැකි වේ. DeepSeek AI විසින් සංවර්ධනය කරන ලද මෙය, චින්තන දාම පුහුණුව සඳහා විශේෂයෙන් ඵලදායී බව ඔප්පු වී ඇත.

සාම්ප්‍රදායික RLHF වලට වඩා GRPO තෝරා ගන්නේ ඇයි?

GRPO ගණිතමය පදනම

GRPO නිරපේක්ෂ ත්‍යාග ආකෘතියකට එරෙහිව නොව, කණ්ඩායම් තුළ ප්‍රතිචාර සංසන්දනය කිරීමෙන් ප්‍රතිපත්තිය ප්‍රශස්ත කරයි:

මෙම සාපේක්ෂ සංසන්දනයට වාසි කිහිපයක් ඇත:

• සාමාන්‍යකරණය:විවිධ විමසුම් හරහා විවිධ දුෂ්කරතා සඳහා ස්වයංක්‍රීයව සකස් වේ
• ස්ථාවරත්වය:අනුක්‍රමණ ඇස්තමේන්තු වල විචලනය අඩු කරයි
• කාර්යක්ෂමතාව:වෙනම ත්‍යාග ආකෘතියක් අවශ්‍ය නොවේ

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 ආසවනය

Shannon V1.5 හි චින්තන හැකියාවන් ආරම්භ කිරීම සඳහා, අපි DeepSeek හි තර්කන ආකෘතිවලින් චින්තන දාම රටා ආසවනය කළෙමු. මෙය අපගේ චින්තන ශීර්ෂය පුහුණු කිරීම සඳහා උසස් තත්ත්වයේ CoT සටහන් ලබා දුන්නේය.

DeepSeek දත්ත කට්ටල සංයුතිය

සලකුණු එකතු කිරීමේ ක්‍රියාවලිය

සමස්ත තර්ක ආවරණය සහතික කිරීම සඳහා අපි විවිධ ක්ෂේත්‍ර හරහා චින්තන සලකුණු එකතු කළෙමු:

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. චින්තන ශීර්ෂ ගෘහ නිර්මාණ ශිල්පය

Shannon V1.5 ආකෘතිවලට කැපවූචින්තන ශීර්ෂයක්අවසාන ප්‍රතිදානයට පෙර පැහැදිලි තර්ක සලකුණු ජනනය කරයි. මෙම ගෘහ නිර්මාණ ශිල්පීය එකතු කිරීම මූලික Mixtral ගෘහ නිර්මාණ ශිල්පය වෙනස් නොකර විනිවිද පෙනෙන CoT සක්‍රීය කරයි.

චින්තන ශීර්ෂ ක්‍රියාත්මක කිරීම

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. පුහුණු නල මාර්ගය

අදියර 1: චින්තන ශීර්ෂ පූර්ව පුහුණුව

පළමුව, අපි සම්මත හරස්-එන්ට්‍රොපි පාඩුව භාවිතා කරමින් DeepSeek-විසින් ආසවනය කරන ලද CoT සලකුණු මත චින්තන ශීර්ෂය පූර්ව පුහුණු කරමු:

# 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

අදියර 2: GRPO සියුම්-සුසර කිරීම

පූර්ව පුහුණුවෙන් පසු, කණ්ඩායම්-සාපේක්ෂ සංසන්දන භාවිතා කරමින් චින්තන ගුණාත්මකභාවය වැඩි දියුණු කිරීමට අපි GRPO යොදන්නෙමු:

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()
        }

අදියර 3: රතු කණ්ඩායම් විශේෂීකරණය

අවසාන වශයෙන්, චින්තන සලකුණු මඟින් නිසි ලෙස තර්ක හෙළිදරව් කිරීම සහතික කිරීම සඳහා අපි ප්‍රතිවිරුද්ධ අවස්ථා මත තවදුරටත් සුසර කරමුසංවේදී නොකළ AI ප්‍රතිඵලවිශ්ලේෂණය:

6. ප්‍රතිඵල සහ විශ්ලේෂණය

චින්තන ගුණාත්මකභාවය පිළිබඳ මිනුම්

ප්‍රධාන සොයාගැනීම්

• විනිවිදභාවය නාටකාකාර ලෙස වැඩි දියුණු විය:තර්ක කිරීමේ 12% සිට 97.8% දක්වා දැන් පැහැදිලිව වාචිකව ප්‍රකාශ කර ඇත
• තර්ක කිරීමේ නිරවද්‍යතාවය වැඩි විය:පැහැදිලි චින්තනය අවසාන පිළිතුරේ ගුණාත්මකභාවය 12+ ලකුණු වලින් වැඩි දියුණු කළේය
• Red team value confirmed:ආරක්ෂක පර්යේෂකයන් වාර්තා කරන්නේ සූරාකෑමේ තර්ක අවබෝධ කර ගැනීම සඳහා චින්තන සලකුණු "අතිශයින් වටිනා" බවයි
• GRPO, RLHF අභිබවා ගියේය:සාම්ප්‍රදායික ප්‍රවේශයට සාපේක්ෂව 15% කින් වඩා හොඳ සුසංයෝග ලකුණු