Inferentie-tijd schaling voor generalistische beloningsmodellering

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

Samenvatting

Versterkend leren (Reinforcement Learning, RL) wordt op grote schaal toegepast bij het na-trainen van grote taalmodel(len) (Large Language Models, LLMs). Recent onderzoek naar het stimuleren van redeneervaardigheden in LLMs via RL suggereert dat geschikte leermethoden effectieve schaalbaarheid tijdens inferentie mogelijk kunnen maken. Een belangrijke uitdaging bij RL is het verkrijgen van nauwkeurige beloningssignalen voor LLMs in verschillende domeinen, verder dan verifieerbare vragen of kunstmatige regels. In dit werk onderzoeken we hoe beloningsmodellering (Reward Modeling, RM) kan worden verbeterd met meer rekencapaciteit tijdens inferentie voor algemene queries, d.w.z. de schaalbaarheid tijdens inferentie van generalistische RM, en verder, hoe de effectiviteit van prestatie-rekenschaalbaarheid kan worden verbeterd met geschikte leermethoden. Voor de RM-aanpak gebruiken we puntgewijze generatieve beloningsmodellering (Generative Reward Modeling, GRM) om flexibiliteit te bieden voor verschillende invoertypen en potentieel voor schaalbaarheid tijdens inferentie. Voor de leermethode stellen we Self-Principled Critique Tuning (SPCT) voor om schaalbare beloningsgeneratiegedragingen in GRMs te bevorderen via online RL, om principes adaptief en kritieken nauwkeurig te genereren, wat resulteert in DeepSeek-GRM-modellen. Bovendien gebruiken we voor effectieve schaalbaarheid tijdens inferentie parallelle sampling om het rekengebruik uit te breiden, en introduceren we een meta-RM om het stemproces te begeleiden voor betere schaalprestaties. Empirisch tonen we aan dat SPCT de kwaliteit en schaalbaarheid van GRMs aanzienlijk verbetert, bestaande methoden en modellen overtreft in verschillende RM-benchmarks zonder ernstige vooroordelen, en betere prestaties kan bereiken in vergelijking met schaalbaarheid tijdens training. DeepSeek-GRM ondervindt nog steeds uitdagingen in sommige taken, waarvan we geloven dat deze kunnen worden aangepakt door toekomstige inspanningen in generalistische beloningssystemen. De modellen zullen worden vrijgegeven en open-source gemaakt.

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.