Skalierung zur Inferenzzeit für generalistische Belohnungsmodellierung

Inference-Time Scaling for Generalist Reward Modeling

April 3, 2025

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

cs.AI

Zusammenfassung

Reinforcement Learning (RL) wurde in großem Umfang für das Post-Training von großen Sprachmodellen (LLMs) eingesetzt. Kürzlich hat die Förderung von Denkfähigkeiten in LLMs durch RL gezeigt, dass geeignete Lernmethoden eine effektive Skalierbarkeit zur Inferenzzeit ermöglichen können. Eine zentrale Herausforderung von RL besteht darin, präzise Belohnungssignale für LLMs in verschiedenen Domänen jenseits überprüfbarer Fragen oder künstlicher Regeln zu erhalten. In dieser Arbeit untersuchen wir, wie die Belohnungsmodellierung (RM) mit mehr Inferenzrechenleistung für allgemeine Anfragen verbessert werden kann, d.h. die Skalierbarkeit zur Inferenzzeit von generalistischen RM, und darüber hinaus, wie die Effektivität der Leistungs-Rechenleistungs-Skalierung durch geeignete Lernmethoden gesteigert werden kann. Für den RM-Ansatz verwenden wir punktweise generative Belohnungsmodellierung (GRM), um Flexibilität für verschiedene Eingabetypen und Potenzial für die Skalierung zur Inferenzzeit zu ermöglichen. Für die Lernmethode schlagen wir Self-Principled Critique Tuning (SPCT) vor, um skalierbare Belohnungsgenerierungsverhalten in GRMs durch Online-RL zu fördern, um Prinzipien adaptiv und Kritiken präzise zu generieren, was zu DeepSeek-GRM-Modellen führt. Darüber hinaus verwenden wir für eine effektive Skalierung zur Inferenzzeit paralleles Sampling, um die Rechenleistungsnutzung zu erweitern, und führen ein Meta-RM ein, um den Abstimmungsprozess für eine bessere Skalierungsleistung zu leiten. Empirisch zeigen wir, dass SPCT die Qualität und Skalierbarkeit von GRMs signifikant verbessert, bestehende Methoden und Modelle in verschiedenen RM-Benchmarks ohne schwerwiegende Verzerrungen übertrifft und im Vergleich zur Skalierung zur Trainingszeit eine bessere Leistung erzielen kann. DeepSeek-GRM steht in einigen Aufgaben noch vor Herausforderungen, die wir glauben, durch zukünftige Bemühungen in generalistischen Belohnungssystemen bewältigt werden können. Die Modelle werden veröffentlicht und quelloffen gemacht.

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.