Ongecontroleerde Na-Training voor Multi-Modale LLM Redenering 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

Samenvatting

Het verbeteren van Multi-modale Large Language Models (MLLMs) in de post-trainingsfase berust doorgaans op supervised fine-tuning (SFT) of reinforcement learning (RL). Deze supervised methoden vereisen echter kostbare en handmatig geannoteerde multi-modale data—een uiteindelijk onhoudbare bron. Hoewel recente inspanningen unsupervised post-training hebben onderzocht, zijn hun methoden complex en moeilijk te herhalen. In dit werk zijn wij de eersten die het gebruik van GRPO, een stabiel en schaalbaar online RL-algoritme, onderzoeken om continue zelfverbetering mogelijk te maken zonder externe supervisie. Wij stellen MM-UPT voor, een eenvoudig maar effectief raamwerk voor unsupervised post-training van MLLMs. MM-UPT bouwt voort op GRPO en vervangt traditionele beloningssignalen door een zelfbeloningsmechanisme gebaseerd op meerderheidsstemming over meerdere bemonsterde reacties. Onze experimenten tonen aan dat MM-UPT het redeneervermogen van Qwen2.5-VL-7B aanzienlijk verbetert (bijv., 66,3 %rightarrow72,9 % op MathVista, 62,9 %rightarrow68,7 % op We-Math), waarbij gebruik wordt gemaakt van standaard datasets zonder grondwaarheidlabels. MM-UPT overtreft ook eerdere unsupervised baselines en benadert zelfs de resultaten van supervised GRPO. Bovendien laten we zien dat het incorporeren van synthetische vragen, uitsluitend gegenereerd door de MLLM zelf, de prestaties eveneens kan verbeteren, wat een veelbelovende aanpak voor schaalbare zelfverbetering benadrukt. Over het algemeen biedt MM-UPT een nieuw paradigma voor continue, autonome verbetering van MLLMs in afwezigheid van externe supervisie. Onze code is beschikbaar op 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.