Addestramento Non Supervisionato Post-Allenamento per il Ragionamento Multi-Modale di LLM tramite GRPO

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

May 28, 2025

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

cs.AI

Abstract

Migliorare i Modelli Linguistici Multimodali di Grande Dimensione (MLLMs) nella fase post-addestramento si basa tipicamente sul fine-tuning supervisionato (SFT) o sull'apprendimento per rinforzo (RL). Tuttavia, questi metodi supervisionati richiedono dati multimodali costosi e annotati manualmente, una risorsa alla fine insostenibile. Sebbene recenti sforzi abbiano esplorato il post-addestramento non supervisionato, i loro metodi sono complessi e difficili da iterare. In questo lavoro, siamo i primi a investigare l'uso di GRPO, un algoritmo di RL online stabile e scalabile, per abilitare un miglioramento continuo senza alcuna supervisione esterna. Proponiamo MM-UPT, un framework semplice ma efficace per il post-addestramento non supervisionato di MLLMs. MM-UPT si basa su GRPO, sostituendo i tradizionali segnali di ricompensa con un meccanismo di auto-ricompensa basato sul voto a maggioranza su più risposte campionate. I nostri esperimenti dimostrano che MM-UPT migliora significativamente la capacità di ragionamento di Qwen2.5-VL-7B (ad esempio, dal 66.3% al 72.9% su MathVista, dal 62.9% al 68.7% su We-Math), utilizzando dataset standard senza etichette di verità. MM-UPT supera anche i precedenti baseline non supervisionati e si avvicina persino ai risultati del GRPO supervisionato. Inoltre, mostriamo che l'incorporazione di domande sintetiche, generate esclusivamente dall'MLLM stesso, può aumentare ulteriormente le prestazioni, evidenziando un approccio promettente per il miglioramento scalabile. Nel complesso, MM-UPT offre un nuovo paradigma per il miglioramento continuo e autonomo degli MLLMs in assenza di supervisione esterna. Il nostro codice è disponibile su 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.