Scalabilità al Momento dell'Inferenza per la Modellazione di Ricompense Generaliste

Inference-Time Scaling for Generalist Reward Modeling

April 3, 2025

Autori: Zijun Liu, Peiyi Wang, Runxin Xu, Shirong Ma, Chong Ruan, Peng Li, Yang Liu, Yu Wu

cs.AI

Abstract

L'apprendimento per rinforzo (RL) è stato ampiamente adottato nel post-addestramento di modelli linguistici di grandi dimensioni (LLM) su vasta scala. Recentemente, l'incentivazione delle capacità di ragionamento negli LLM attraverso l'RL indica che metodi di apprendimento appropriati potrebbero abilitare una scalabilità efficace durante l'inferenza. Una delle principali sfide dell'RL è ottenere segnali di ricompensa accurati per gli LLM in vari domini che vanno oltre domande verificabili o regole artificiali. In questo lavoro, indaghiamo come migliorare la modellazione delle ricompense (RM) con un maggiore utilizzo di risorse computazionali per query generali, ovvero la scalabilità durante l'inferenza di RM generalisti, e, inoltre, come migliorare l'efficacia della scalabilità prestazioni-risorse con metodi di apprendimento appropriati. Per l'approccio RM, adottiamo la modellazione generativa delle ricompense puntuale (GRM) per garantire flessibilità per diversi tipi di input e potenziale di scalabilità durante l'inferenza. Per il metodo di apprendimento, proponiamo il Self-Principled Critique Tuning (SPCT) per favorire comportamenti scalabili nella generazione di ricompense nelle GRM attraverso l'RL online, generando principi in modo adattivo e critiche in modo accurato, ottenendo i modelli DeepSeek-GRM. Inoltre, per una scalabilità efficace durante l'inferenza, utilizziamo il campionamento parallelo per espandere l'uso delle risorse computazionali e introduciamo una meta RM per guidare il processo di voto e migliorare le prestazioni di scalabilità. Empiricamente, dimostriamo che lo SPCT migliora significativamente la qualità e la scalabilità delle GRM, superando metodi e modelli esistenti in vari benchmark RM senza gravi distorsioni, e potrebbe ottenere prestazioni migliori rispetto alla scalabilità durante l'addestramento. DeepSeek-GRM incontra ancora sfide in alcuni compiti, che riteniamo possano essere affrontate da futuri sforzi nei sistemi di ricompensa generalisti. I modelli saranno rilasciati e resi open-source.

English

Reinforcement learning (RL) has been widely adopted in post-training for large language models (LLMs) at scale. Recently, the incentivization of reasoning capabilities in LLMs from RL indicates that proper learning methods could enable effective inference-time scalability. A key challenge of RL is to obtain accurate reward signals for LLMs in various domains beyond verifiable questions or artificial rules. In this work, we investigate how to improve reward modeling (RM) with more inference compute for general queries, i.e. the inference-time scalability of generalist RM, and further, how to improve the effectiveness of performance-compute scaling with proper learning methods. For the RM approach, we adopt pointwise generative reward modeling (GRM) to enable flexibility for different input types and potential for inference-time scaling. For the learning method, we propose Self-Principled Critique Tuning (SPCT) to foster scalable reward generation behaviors in GRMs through online RL, to generate principles adaptively and critiques accurately, resulting in DeepSeek-GRM models. Furthermore, for effective inference-time scaling, we use parallel sampling to expand compute usage, and introduce a meta RM to guide voting process for better scaling performance. Empirically, we show that SPCT significantly improves the quality and scalability of GRMs, outperforming existing methods and models in various RM benchmarks without severe biases, and could achieve better performance compared to training-time scaling. DeepSeek-GRM still meets challenges in some tasks, which we believe can be addressed by future efforts in generalist reward systems. The models will be released and open-sourced.