Unüberwachtes Nach-Training für Multi-Modales LLM-Reasoning via GRPO

Unsupervised Post-Training for Multi-Modal LLM Reasoning via GRPO

May 28, 2025

Autoren: Lai Wei, Yuting Li, Chen Wang, Yue Wang, Linghe Kong, Weiran Huang, Lichao Sun

cs.AI

Zusammenfassung

Die Verbesserung von Multi-modalen Großen Sprachmodellen (MLLMs) in der Post-Training-Phase stützt sich typischerweise auf überwachtes Feinabstimmen (Supervised Fine-Tuning, SFT) oder Verstärkungslernen (Reinforcement Learning, RL). Diese überwachten Methoden erfordern jedoch teure und manuell annotierte multi-modale Daten – eine letztlich nicht nachhaltige Ressource. Während neuere Bemühungen unüberwachtes Post-Training erforscht haben, sind deren Methoden komplex und schwer zu iterieren. In dieser Arbeit untersuchen wir erstmals die Verwendung von GRPO, einem stabilen und skalierbaren Online-RL-Algorithmus, um kontinuierliche Selbstverbesserung ohne externe Überwachung zu ermöglichen. Wir schlagen MM-UPT vor, ein einfaches, aber effektives Framework für unüberwachtes Post-Training von MLLMs. MM-UPT baut auf GRPO auf und ersetzt traditionelle Belohnungssignale durch einen Selbstbelohnungsmechanismus, der auf Mehrheitsentscheidungen über mehrere gesampelte Antworten basiert. Unsere Experimente zeigen, dass MM-UPT die Fähigkeit zur logischen Schlussfolgerung von Qwen2.5-VL-7B signifikant verbessert (z.B. 66,3 % → 72,9 % auf MathVista, 62,9 % → 68,7 % auf We-Math), wobei Standarddatensätze ohne Ground-Truth-Labels verwendet werden. MM-UPT übertrifft auch frühere unüberwachte Baselines und nähert sich sogar den Ergebnissen von überwachtem GRPO an. Darüber hinaus zeigen wir, dass die Einbindung synthetischer Fragen, die ausschließlich vom MLLM selbst generiert werden, die Leistung ebenfalls steigern kann, was einen vielversprechenden Ansatz für skalierbare Selbstverbesserung aufzeigt. Insgesamt bietet MM-UPT ein neues Paradigma für die kontinuierliche, autonome Verbesserung von MLLMs in Abwesenheit externer Überwachung. Unser Code ist verfügbar unter https://github.com/waltonfuture/MM-UPT.

English

Improving Multi-modal Large Language Models (MLLMs) in the post-training stage typically relies on supervised fine-tuning (SFT) or reinforcement learning (RL). However, these supervised methods require expensive and manually annotated multi-modal data--an ultimately unsustainable resource. While recent efforts have explored unsupervised post-training, their methods are complex and difficult to iterate. In this work, we are the first to investigate the use of GRPO, a stable and scalable online RL algorithm, for enabling continual self-improvement without any external supervision. We propose MM-UPT, a simple yet effective framework for unsupervised post-training of MLLMs. MM-UPT builds upon GRPO, replacing traditional reward signals with a self-rewarding mechanism based on majority voting over multiple sampled responses. Our experiments demonstrate that MM-UPT significantly improves the reasoning ability of Qwen2.5-VL-7B (e.g., 66.3 %rightarrow72.9 % on MathVista, 62.9 %rightarrow68.7 % on We-Math), using standard dataset without ground truth labels. MM-UPT also outperforms prior unsupervised baselines and even approaches the results of supervised GRPO. Furthermore, we show that incorporating synthetic questions, generated solely by MLLM itself, can boost performance as well, highlighting a promising approach for scalable self-improvement. Overall, MM-UPT offers a new paradigm for continual, autonomous enhancement of MLLMs in the absence of external supervision. Our code is available at https://github.com/waltonfuture/MM-UPT.