Escalonamento em Tempo de Inferência para Modelagem de Recompensas Generalistas

Inference-Time Scaling for Generalist Reward Modeling

April 3, 2025

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

cs.AI

Resumo

O aprendizado por reforço (RL, do inglês Reinforcement Learning) tem sido amplamente adotado no pós-treinamento de modelos de linguagem de grande escala (LLMs, do inglês Large Language Models) em escala. Recentemente, a incentivação de capacidades de raciocínio em LLMs por meio de RL indica que métodos de aprendizado adequados podem permitir uma escalabilidade eficaz durante a inferência. Um desafio fundamental do RL é obter sinais de recompensa precisos para LLMs em diversos domínios que vão além de perguntas verificáveis ou regras artificiais. Neste trabalho, investigamos como melhorar a modelagem de recompensa (RM, do inglês Reward Modeling) com maior capacidade computacional de inferência para consultas gerais, ou seja, a escalabilidade em tempo de inferência de modelos de recompensa generalistas, e, além disso, como melhorar a eficácia da escala de desempenho-computação com métodos de aprendizado adequados. Para a abordagem de RM, adotamos a modelagem de recompensa generativa pontual (GRM, do inglês Generative Reward Modeling) para permitir flexibilidade para diferentes tipos de entrada e potencial de escalabilidade durante a inferência. Para o método de aprendizado, propomos o Ajuste de Crítica Autoprincipiada (SPCT, do inglês Self-Principled Critique Tuning) para promover comportamentos escaláveis de geração de recompensa em GRMs por meio de RL online, gerando princípios de forma adaptativa e críticas com precisão, resultando nos modelos DeepSeek-GRM. Além disso, para uma escalabilidade eficaz durante a inferência, utilizamos amostragem paralela para expandir o uso de computação e introduzimos um meta RM para orientar o processo de votação visando um melhor desempenho de escalabilidade. Empiricamente, demonstramos que o SPCT melhora significativamente a qualidade e a escalabilidade dos GRMs, superando métodos e modelos existentes em vários benchmarks de RM sem vieses severos, e pode alcançar um desempenho superior em comparação com a escalabilidade durante o treinamento. O DeepSeek-GRM ainda enfrenta desafios em algumas tarefas, que acreditamos poderão ser resolvidos por esforços futuros em sistemas de recompensa generalistas. Os modelos serão liberados e disponibilizados como código aberto.

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.