Entrenamiento Posterior No Supervisado para el Razonamiento de Modelos de Lenguaje Multimodales mediante GRPO

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

May 28, 2025

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

cs.AI

Resumen

Mejorar los Modelos de Lenguaje Multimodales de Gran Escala (MLLMs) en la etapa posterior al entrenamiento generalmente depende del ajuste fino supervisado (SFT) o del aprendizaje por refuerzo (RL). Sin embargo, estos métodos supervisados requieren datos multimodales costosos y anotados manualmente, un recurso que en última instancia no es sostenible. Aunque esfuerzos recientes han explorado el entrenamiento posterior no supervisado, sus métodos son complejos y difíciles de iterar. En este trabajo, somos los primeros en investigar el uso de GRPO, un algoritmo de RL en línea estable y escalable, para permitir la mejora continua sin ninguna supervisión externa. Proponemos MM-UPT, un marco simple pero efectivo para el entrenamiento posterior no supervisado de MLLMs. MM-UPT se basa en GRPO, reemplazando las señales de recompensa tradicionales con un mecanismo de autorrecompensa basado en la votación mayoritaria sobre múltiples respuestas muestreadas. Nuestros experimentos demuestran que MM-UPT mejora significativamente la capacidad de razonamiento de Qwen2.5-VL-7B (por ejemplo, 66.3 %rightarrow72.9 % en MathVista, 62.9 %rightarrow68.7 % en We-Math), utilizando un conjunto de datos estándar sin etiquetas de verdad fundamental. MM-UPT también supera a los baselines no supervisados anteriores e incluso se acerca a los resultados de GRPO supervisado. Además, mostramos que la incorporación de preguntas sintéticas, generadas únicamente por el propio MLLM, también puede impulsar el rendimiento, destacando un enfoque prometedor para la mejora escalable. En general, MM-UPT ofrece un nuevo paradigma para la mejora continua y autónoma de los MLLMs en ausencia de supervisión externa. Nuestro código está disponible en 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.