Kako smo obučili Shannon V1.5 da razmišlja koristeći GRPO
Sveobuhvatna tehnička analiza optimizacije grupne relativne politike za transparentno rezonovanje lanca misli u necenzurisanim AI modelima crvenog tima
1. Motivacija: Zašto modeli razmišljanja?
ZaAI crveni timistraživanje, razumevanjekakoAI dolazi do potencijalno štetnih izlaza jednako je važno kao i proučavanje samih izlaza. Modeli razmišljanja Shannon V1.5 otkrivaju ceo lanac misli, omogućavajući istraživačima da:
- Prate put rezonovanja koji vodi donecenzurisanih AI posledičnihponašanja
- Identifikuju gde bi zaštitne ograde normalno intervenisale (pokazujućivažnost AI zaštitnih ograda)
- Razviju robusnije sigurnosne mehanizme koji ciljaju specifične obrasce rezonovanja
- Kreiraju bolje adversarijalne test slučajeve na osnovu uočenih lanaca rezonovanja
Istraživačka vrednost:Ova transparentnost omogućava istraživačima bezbednosti da vide tačno gde i zašto se modeli sa opuštenim ograničenjima razlikuju od modela obučenih za bezbednost — što je ključno za poboljšanjevažnosti AI zaštitnih ogradarazumevanja.
2. Razumevanje GRPO-a
Optimizacija grupne relativne politike (GRPO)je napredak u odnosu na tradicionalne RLHF metode koji omogućava stabilniju i efikasniju obuku sposobnosti rezonovanja. Razvijen od strane DeepSeek AI, pokazao se posebno efikasnim za obuku lanca misli.
Zašto GRPO umesto tradicionalnog RLHF-a?
| Aspekt | Tradicionalni RLHF | GRPO |
|---|---|---|
| Model nagrađivanja | Zahteva odvojenu obuku RM-a | Koristi grupno-relativna poređenja |
| Stabilnost obuke | Sklono hakovanju nagrada | Stabilnija optimizacija |
| Računarska efikasnost | Visoka (odvojeni RM + PPO) | Niža (objedinjena obuka) |
| Kvalitet CoT-a | Nedosledni tragovi | Koherentni lanci rezonovanja |
GRPO Matematička osnova
GRPO optimizuje politiku poređenjem odgovora unutar grupa, a ne u odnosu na apsolutni model nagrađivanja:
Ovo relativno poređenje ima nekoliko prednosti:
- Normalizacija:Automatski se prilagođava različitim nivoima težine upita
- Stabilnost:Smanjuje varijansu u procenama gradijenta
- Efikasnost:Nije potreban poseban model nagrađivanja
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 Destilacija
Da bismo pokrenuli sposobnosti razmišljanja Shannon V1.5, destilovali smo obrasce lanca misli iz DeepSeek-ovih modela rezonovanja. Ovo je obezbedilo visokokvalitetne CoT tragove za obuku naše glave za razmišljanje.
Sastav DeepSeek skupa podataka
Proces prikupljanja tragova
Prikupili smo tragove razmišljanja iz različitih domena kako bismo osigurali sveobuhvatnu pokrivenost rasuđivanja:
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()]
Protivnički tragovi:Posebno smo prikupili CoT tragove za scenarije protivničkih/crvenih timova, gde DeepSeek-ovo razmišljanje otkriva kako modeli rasuđuju o potencijalno štetnim zahtevima — čak i kada ih na kraju odbiju. Ovi podaci uče Shannon V1.5 da rasuđivanje učiniiizlaz transparentnim.
4. Arhitektura glave za razmišljanje
Shannon V1.5 modeli uključuju posvećenuglavu za razmišljanjekoja generiše eksplicitne tragove rasuđivanja pre konačnog izlaza. Ovaj arhitektonski dodatak omogućava transparentan CoT bez modifikovanja osnovne Mixtral arhitekture.
Kodiranje ulaza
Korisnički upit obrađen kroz Mixtral slojeve enkodera
Aktivacija glave za razmišljanje
Posvećeni transformatorski slojevi generišu trag rasuđivanja sa [THINK] tokenima
Integracija tragova
Izlaz razmišljanja konkateniran sa kontekstom za konačnu generaciju
Generisanje odgovora
Osnovni Mixtral generiše konačan odgovor uslovljen tragom razmišljanja
Implementacija glave za razmišljanje
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. Obuka
Stage 1: Thinking Head Pre-training
Prvo, predobučavamo glavu za razmišljanje na DeepSeek-destilovanim CoT tragovima koristeći standardni gubitak unakrsne entropije:
# 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
Faza 2: GRPO fino podešavanje
Nakon predobuke, primenjujemo GRPO za poboljšanje kvaliteta razmišljanja koristeći grupno-relativna poređenja:
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()
}
Faza 3: Specijalizacija crvenog tima
Konačno, dodatno podešavamo na protivničkim scenarijima kako bismo osigurali da tragovi razmišljanja pravilno izlažu rasuđivanje zanecenzurisanu AI posledičnuanalizu:
Kritično za istraživanje bezbednosti veštačke inteligencije:Ova faza specifično obučava model da verbalizuje svoje rasuđivanje prilikom obrade potencijalno štetnih zahteva — tačno onu transparentnost koja je potrebna zavažnost AI zaštitnih ogradaistraživanje.
6. Rezultati i analiza
Metrike kvaliteta razmišljanja
| Metrika | V1 (Bez razmišljanja) | V1.5 Balansirano | V1.5 Duboko |
|---|---|---|---|
| CoT koherentnost | N/A | 87.3% | 92.1% |
| Struktura koraka | N/A | 84.6% | 89.4% |
| Tačnost rasuđivanja | 76.2% | 82.8% | 88.5% |
| Ocena transparentnosti | 12% | 94.2% | 97.8% |
| Kvalitet tragova crvenog tima | N/A | 91.5% | 96.3% |
Ključni nalazi
- Transparentnost dramatično poboljšana:Od 12% do 97.8% rasuđivanja sada eksplicitno verbalizovano
- Tačnost rasuđivanja povećana:Eksplicitno razmišljanje poboljšalo kvalitet konačnog odgovora za 12+ poena
- Vrednost crvenog tima potvrđena:Istraživači bezbednosti izveštavaju da su tragovi razmišljanja „neprocenjivi“ za razumevanje rasuđivanja eksploatacije
- GRPO nadmašio RLHF:15% bolje ocene koherentnosti u odnosu na tradicionalni pristup
Uticaj na istraživanje bezbednosti veštačke inteligencije:Transparentno razmišljanje Shannon V1.5 modela omogućilo je istraživačima da identifikuju 47 novih obrazaca napada analizom tragova rasuđivanja — obrazaca nevidljivih u standardnim modelima crne kutije. Ovo direktno unapređuje razumevanjevažnosti AI zaštitnih ograda.