Escalado en Tiempo de Inferencia para Modelado de Recompensas Generalista

Inference-Time Scaling for Generalist Reward Modeling

April 3, 2025

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

cs.AI

Resumen

El aprendizaje por refuerzo (RL, por sus siglas en inglés) ha sido ampliamente adoptado en la fase de posentrenamiento de modelos de lenguaje a gran escala (LLMs). Recientemente, la incentivación de capacidades de razonamiento en LLMs mediante RL indica que métodos de aprendizaje adecuados podrían permitir una escalabilidad efectiva durante la inferencia. Un desafío clave del RL es obtener señales de recompensa precisas para LLMs en diversos dominios más allá de preguntas verificables o reglas artificiales. En este trabajo, investigamos cómo mejorar el modelado de recompensas (RM) con mayor capacidad de cómputo durante la inferencia para consultas generales, es decir, la escalabilidad en tiempo de inferencia de RM generalista, y además, cómo mejorar la efectividad de la escalabilidad rendimiento-cómputo con métodos de aprendizaje adecuados. Para el enfoque de RM, adoptamos el modelado de recompensas generativo puntual (GRM) para permitir flexibilidad con diferentes tipos de entrada y potencial para la escalabilidad durante la inferencia. Para el método de aprendizaje, proponemos el Ajuste de Crítica Auto-Principiada (SPCT) para fomentar comportamientos escalables de generación de recompensas en GRMs mediante RL en línea, generando principios de manera adaptativa y críticas con precisión, lo que resulta en los modelos DeepSeek-GRM. Además, para una escalabilidad efectiva durante la inferencia, utilizamos muestreo paralelo para expandir el uso de cómputo e introducimos un meta RM para guiar el proceso de votación y mejorar el rendimiento de escalabilidad. Empíricamente, demostramos que SPCT mejora significativamente la calidad y escalabilidad de los GRMs, superando métodos y modelos existentes en varios benchmarks de RM sin sesgos severos, y podría lograr un mejor rendimiento en comparación con la escalabilidad durante el entrenamiento. DeepSeek-GRM aún enfrenta desafíos en algunas tareas, los cuales creemos que podrán ser abordados por esfuerzos futuros en sistemas de recompensas generalistas. Los modelos serán liberados y de código abierto.

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.