Ako sme trénovali Shannon V1.5, aby myslel pomocou GRPO

1. Motivácia: Prečo modely myslenia?

Prečervený tím AIvýskum, pochopenieakoAI dospieva k potenciálne škodlivým výstupom, je rovnako dôležité ako štúdium samotných výstupov. Modely myslenia Shannon V1.5 odhaľujú celý reťazec myšlienok, čo umožňuje výskumníkom:

• Sledovať cestu uvažovania vedúcu knecenzurovaným následným AIsprávaniam
• Identifikovať, kde by normálne zasiahli ochranné mechanizmy (demonštrujúcdôležitosť ochranných mechanizmov AI)
• Vyvinúť robustnejšie bezpečnostné mechanizmy zamerané na špecifické vzorce uvažovania
• Vytvoriť lepšie adversarial testovacie prípady na základe pozorovaných reťazcov uvažovania

2. Pochopenie GRPO

Optimalizácia politiky relatívnej k skupine (GRPO)je pokrokom oproti tradičným metódam RLHF, ktorý umožňuje stabilnejší a efektívnejší tréning schopností uvažovania. Vyvinutý spoločnosťou DeepSeek AI, ukázal sa ako obzvlášť účinný pre tréning reťazca myšlienok.

Prečo GRPO namiesto tradičného RLHF?

Matematický základ GRPO

GRPO optimalizuje politiku porovnávaním odpovedí v rámci skupín namiesto proti absolútnemu modelu odmeny:

Toto relatívne porovnanie má niekoľko výhod:

• Normalizácia:Automaticky sa prispôsobuje rôznej obtiažnosti naprieč výzvami
• Stabilita:Znižuje varianciu v odhadoch gradientu
• Efektivita:Nie je potrebný samostatný model odmeny

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. Destilácia DeepSeek

Na naštartovanie mysliacich schopností Shannon V1.5 sme destilovali vzorce reťazca myšlienok z modelov uvažovania DeepSeek. To poskytlo vysokokvalitné stopy CoT na tréning našej mysliacej hlavy.

Zloženie dátovej sady DeepSeek

Proces zberu stôp

Zhromaždili sme stopy myslenia z rôznych domén, aby sme zabezpečili komplexné pokrytie uvažovania:

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. Architektúra mysliacej hlavy

Modely Shannon V1.5 zahŕňajú vyhradenúmysliacu hlavuktorá generuje explicitné stopy uvažovania pred konečným výstupom. Tento architektonický doplnok umožňuje transparentné CoT bez úpravy základnej architektúry Mixtral.

Implementácia mysliacej hlavy

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. Tréningový pipeline

Fáza 1: Predtréning mysliacej hlavy

Najprv predtrénujeme mysliacu hlavu na stopách CoT destilovaných z DeepSeek pomocou štandardnej straty krížovej entropie:

# 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

Fáza 2: Jemné ladenie GRPO

Po predtréningu aplikujeme GRPO na zlepšenie kvality myslenia pomocou skupinovo-relatívnych porovnaní:

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()
        }

Fáza 3: Špecializácia červeného tímu

Nakoniec ďalej ladíme na nepriateľských scenároch, aby sme zabezpečili, že stopy myslenia správne odhalia uvažovanie prenecenzurovanú AI následnúanalýzu:

6. Výsledky a analýza

Metriky kvality myslenia

Kľúčové zistenia

• Transparentnosť sa dramaticky zlepšila:Od 12% do 97,8% uvažovania je teraz explicitne verbalizovaných
• Presnosť uvažovania sa zvýšila:Explicitné myslenie zlepšilo kvalitu konečnej odpovede o 12+ bodov
• Hodnota červeného tímu potvrdená:Bezpečnostní výskumníci uvádzajú, že stopy myslenia sú „neoceniteľné“ pre pochopenie uvažovania o zneužití
• GRPO prekonalo RLHF:O 15% lepšie skóre súdržnosti oproti tradičnému prístupu