Mise à l'échelle au moment de l'inférence pour la modélisation de récompenses généralistes

Inference-Time Scaling for Generalist Reward Modeling

April 3, 2025

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

cs.AI

Résumé

L'apprentissage par renforcement (RL) a été largement adopté pour le post-entraînement des grands modèles de langage (LLMs) à grande échelle. Récemment, l'incitation des capacités de raisonnement dans les LLMs via le RL indique que des méthodes d'apprentissage appropriées pourraient permettre une scalabilité efficace au moment de l'inférence. Un défi majeur du RL est d'obtenir des signaux de récompense précis pour les LLMs dans divers domaines au-delà des questions vérifiables ou des règles artificielles. Dans ce travail, nous étudions comment améliorer la modélisation des récompenses (RM) avec davantage de calculs d'inférence pour des requêtes générales, c'est-à-dire la scalabilité au moment de l'inférence d'un RM généraliste, et, plus loin, comment améliorer l'efficacité de la scalabilité performance-calcul avec des méthodes d'apprentissage appropriées. Pour l'approche RM, nous adoptons la modélisation générative de récompenses point par point (GRM) pour permettre une flexibilité face à différents types d'entrées et un potentiel de scalabilité au moment de l'inférence. Pour la méthode d'apprentissage, nous proposons le Réglage par Critique Auto-Principée (SPCT) pour encourager des comportements de génération de récompenses scalables dans les GRMs via le RL en ligne, afin de générer des principes de manière adaptative et des critiques avec précision, aboutissant aux modèles DeepSeek-GRM. De plus, pour une scalabilité efficace au moment de l'inférence, nous utilisons l'échantillonnage parallèle pour étendre l'utilisation des calculs, et introduisons un méta RM pour guider le processus de vote afin d'améliorer les performances de scalabilité. Empiriquement, nous montrons que le SPCT améliore significativement la qualité et la scalabilité des GRMs, surpassant les méthodes et modèles existants dans divers benchmarks RM sans biais sévères, et pourrait atteindre de meilleures performances par rapport à la scalabilité au moment de l'entraînement. DeepSeek-GRM rencontre encore des défis dans certaines tâches, que nous croyons pouvoir être résolus par des efforts futurs dans les systèmes de récompense généralistes. Les modèles seront publiés et rendus open-source.

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.