Post-entraînement non supervisé pour le raisonnement des LLM multi-modaux via GRPO

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

May 28, 2025

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

cs.AI

Résumé

L'amélioration des modèles de langage multi-modaux (MLLMs) lors de l'étape post-entraînement repose généralement sur le fine-tuning supervisé (SFT) ou l'apprentissage par renforcement (RL). Cependant, ces méthodes supervisées nécessitent des données multi-modales annotées manuellement, une ressource coûteuse et finalement non durable. Bien que des efforts récents aient exploré l'entraînement postérieur non supervisé, leurs méthodes sont complexes et difficiles à itérer. Dans ce travail, nous sommes les premiers à étudier l'utilisation de GRPO, un algorithme de RL en ligne stable et évolutif, pour permettre une amélioration continue sans aucune supervision externe. Nous proposons MM-UPT, un cadre simple mais efficace pour l'entraînement postérieur non supervisé des MLLMs. MM-UPT s'appuie sur GRPO, remplaçant les signaux de récompense traditionnels par un mécanisme d'auto-récompense basé sur un vote majoritaire parmi plusieurs réponses échantillonnées. Nos expériences démontrent que MM-UPT améliore significativement la capacité de raisonnement de Qwen2.5-VL-7B (par exemple, 66,3 % → 72,9 % sur MathVista, 62,9 % → 68,7 % sur We-Math), en utilisant un ensemble de données standard sans étiquettes de vérité terrain. MM-UPT surpasse également les bases de référence non supervisées précédentes et approche même les résultats de GRPO supervisé. De plus, nous montrons que l'incorporation de questions synthétiques, générées uniquement par le MLLM lui-même, peut également améliorer les performances, mettant en lumière une approche prometteuse pour une amélioration auto-scalable. Globalement, MM-UPT offre un nouveau paradigme pour l'amélioration continue et autonome des MLLMs en l'absence de supervision externe. Notre code est disponible à l'adresse 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.