Shannon V1.5'i GRPO Kullanarak Düşünmeye Nasıl Eğittik

1. Motivasyon: Neden Düşünme Modelleri?

Yapay zeka kırmızı takımaraştırmasında,bir yapay zekanın potansiyel olarak zararlı çıktılaranasılulaştığını anlamak, çıktıların kendilerini incelemek kadar önemlidir. Shannon V1.5'in düşünme modelleri, araştırmacıların şunları yapmasını sağlayarak tam düşünce zincirini ortaya koyar:

• Şuraya yol açan muhakeme yolunu izlemeksansürsüz yapay zeka sonuçsaldavranışları
• Koruyucu önlemlerin normalde nerede devreye gireceğini belirlemek (göstererekyapay zeka koruyucu önlem önemi)
• Belirli muhakeme kalıplarını hedefleyen daha sağlam güvenlik mekanizmaları geliştirmek
• Gözlemlenen muhakeme zincirlerine dayanarak daha iyi düşmanca test senaryoları oluşturmak

2. GRPO'yu Anlamak

Grup Göreceli Politika Optimizasyonu (GRPO)geleneksel RLHF yöntemlerine göre daha istikrarlı ve verimli muhakeme yetenekleri eğitimi sağlayan bir ilerlemedir. DeepSeek AI tarafından geliştirilen bu yöntem, düşünce zinciri eğitimi için özellikle etkili olduğu kanıtlanmıştır.

Neden Geleneksel RLHF Yerine GRPO?

GRPO Matematiksel Temeli

GRPO, politikayı mutlak bir ödül modeline karşı değil, gruplar içindeki yanıtları karşılaştırarak optimize eder:

Bu göreceli karşılaştırmanın çeşitli avantajları vardır:

• Normalizasyon:İstemler arasındaki değişen zorluk seviyelerini otomatik olarak ayarlar
• İstikrar:Gradyan tahminlerindeki varyansı azaltır
• Verimlilik:Ayrı bir ödül modeline gerek yok

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 Damıtma

Shannon V1.5'in düşünme yeteneklerini başlatmak için, DeepSeek'in muhakeme modellerinden düşünce zinciri kalıplarını damıttık. Bu, düşünme başlığımızı eğitmek için yüksek kaliteli düşünce zinciri izleri sağladı.

DeepSeek Veri Kümesi Bileşimi

İz Toplama Süreci

Kapsamlı akıl yürütme kapsamı sağlamak için çeşitli alanlarda düşünme izleri topladık:

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. Düşünme Kafası Mimarisi

Shannon V1.5 modelleri özel birdüşünme kafasınihai çıktıdan önce açık akıl yürütme izleri üreten bir yapı içerir. Bu mimari ekleme, temel Mixtral mimarisini değiştirmeden şeffaf CoT'yi mümkün kılar.

Düşünme Kafası Uygulaması

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. Eğitim Hattı

Aşama 1: Düşünme Kafası Ön Eğitimi

İlk olarak, düşünme kafasını standart çapraz entropi kaybı kullanarak DeepSeek-damıtılmış CoT izleri üzerinde ön eğitiyoruz:

# 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

Aşama 2: GRPO İnce Ayarı

Ön eğitimden sonra, grup-göreli karşılaştırmalar kullanarak düşünme kalitesini artırmak için GRPO uyguluyoruz:

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()
        }

Aşama 3: Kırmızı Takım Uzmanlaşması

Son olarak, düşünme izlerinin akıl yürütmeyi doğru bir şekilde ortaya koymasını sağlamak için düşmanca senaryolar üzerinde daha fazla ince ayar yapıyoruzsansürsüz yapay zeka sonuçsalanalizi için:

6. Sonuçlar ve Analiz

Düşünme Kalitesi Metrikleri

Temel Bulgular

• Şeffaflık önemli ölçüde arttı:Akıl yürütmenin %12'sinden %97.8'ine kadarı artık açıkça sözlü olarak ifade ediliyor
• Akıl yürütme doğruluğu arttı:Açık düşünme, nihai yanıt kalitesini 12+ puan artırdı
• Kırmızı takım değeri doğrulandı:Güvenlik araştırmacıları, düşünme izlerinin istismar akıl yürütmesini anlamak için "paha biçilmez" olduğunu bildiriyor
• GRPO, RLHF'den daha iyi performans gösterdi:Geleneksel yaklaşıma göre %15 daha iyi tutarlılık puanları