Kimi k1.5: Dimensionamento do Aprendizado por Reforço com LLMs

Kimi k1.5: Scaling Reinforcement Learning with LLMs

January 22, 2025

Autores: Kimi Team, Angang Du, Bofei Gao, Bowei Xing, Changjiu Jiang, Cheng Chen, Cheng Li, Chenjun Xiao, Chenzhuang Du, Chonghua Liao, Chuning Tang, Congcong Wang, Dehao Zhang, Enming Yuan, Enzhe Lu, Fengxiang Tang, Flood Sung, Guangda Wei, Guokun Lai, Haiqing Guo, Han Zhu, Hao Ding, Hao Hu, Hao Yang, Hao Zhang, Haotian Yao, Haotian Zhao, Haoyu Lu, Haoze Li, Haozhen Yu, Hongcheng Gao, Huabin Zheng, Huan Yuan, Jia Chen, Jianhang Guo, Jianlin Su, Jianzhou Wang, Jie Zhao, Jin Zhang, Jingyuan Liu, Junjie Yan, Junyan Wu, Lidong Shi, Ling Ye, Longhui Yu, Mengnan Dong, Neo Zhang, Ningchen Ma, Qiwei Pan, Qucheng Gong, Shaowei Liu, Shengling Ma, Shupeng Wei, Sihan Cao, Siying Huang, Tao Jiang, Weihao Gao, Weimin Xiong, Weiran He, Weixiao Huang, Wenhao Wu, Wenyang He, Xianghui Wei, Xianqing Jia, Xingzhe Wu, Xinran Xu, Xinxing Zu, Xinyu Zhou, Xuehai Pan, Y. Charles, Yang Li, Yangyang Hu, Yangyang Liu, Yanru Chen, Yejie Wang, Yibo Liu, Yidao Qin, Yifeng Liu, Ying Yang, Yiping Bao, Yulun Du, Yuxin Wu, Yuzhi Wang, Zaida Zhou, Zhaoji Wang, Zhaowei Li, Zhen Zhu, Zheng Zhang, Zhexu Wang, Zhilin Yang, Zhiqi Huang, Zihao Huang, Ziyao Xu, Zonghan Yang

cs.AI

Resumo

O pré-treinamento do modelo de linguagem com previsão da próxima ficha se mostrou eficaz para aumentar a capacidade computacional, mas é limitado pela quantidade de dados de treinamento disponíveis. A escalabilidade do aprendizado por reforço (RL) desbloqueia um novo eixo para a melhoria contínua da inteligência artificial, com a promessa de que grandes modelos de linguagem (LLMs) podem aumentar seus dados de treinamento aprendendo a explorar com recompensas. No entanto, trabalhos publicados anteriormente não produziram resultados competitivos. Diante disso, relatamos a prática de treinamento do Kimi k1.5, nosso mais recente LLM multimodal treinado com RL, incluindo suas técnicas de treinamento de RL, receitas de dados multimodais e otimização de infraestrutura. A escalabilidade de contexto longo e métodos aprimorados de otimização de políticas são ingredientes-chave de nossa abordagem, que estabelece um framework de RL simplista e eficaz sem depender de técnicas mais complexas, como busca em árvore de Monte Carlo, funções de valor e modelos de recompensa de processo. Notavelmente, nosso sistema alcança desempenho de raciocínio de ponta em diversos benchmarks e modalidades - por exemplo, 77,5 no AIME, 96,2 no MATH 500, percentil 94 no Codeforces, 74,9 no MathVista - equiparando-se ao o1 da OpenAI. Além disso, apresentamos métodos eficazes long2short que utilizam técnicas long-CoT para melhorar modelos short-CoT, resultando em resultados de raciocínio short-CoT de ponta - por exemplo, 60,8 no AIME, 94,6 no MATH500, 47,3 no LiveCodeBench - superando modelos short-CoT existentes como GPT-4o e Claude Sonnet 3.5 por uma grande margem (até +550%).

English

Language model pretraining with next token prediction has proved effective for scaling compute but is limited to the amount of available training data. Scaling reinforcement learning (RL) unlocks a new axis for the continued improvement of artificial intelligence, with the promise that large language models (LLMs) can scale their training data by learning to explore with rewards. However, prior published work has not produced competitive results. In light of this, we report on the training practice of Kimi k1.5, our latest multi-modal LLM trained with RL, including its RL training techniques, multi-modal data recipes, and infrastructure optimization. Long context scaling and improved policy optimization methods are key ingredients of our approach, which establishes a simplistic, effective RL framework without relying on more complex techniques such as Monte Carlo tree search, value functions, and process reward models. Notably, our system achieves state-of-the-art reasoning performance across multiple benchmarks and modalities -- e.g., 77.5 on AIME, 96.2 on MATH 500, 94-th percentile on Codeforces, 74.9 on MathVista -- matching OpenAI's o1. Moreover, we present effective long2short methods that use long-CoT techniques to improve short-CoT models, yielding state-of-the-art short-CoT reasoning results -- e.g., 60.8 on AIME, 94.6 on MATH500, 47.3 on LiveCodeBench -- outperforming existing short-CoT models such as GPT-4o and Claude Sonnet 3.5 by a large margin (up to +550%).