Независимое пост-обучение для многомодального рассуждения в больших языковых моделях с использованием GRPO

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

May 28, 2025

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

cs.AI

Аннотация

Улучшение мультимодальных больших языковых моделей (MLLMs) на этапе пост-обучения обычно основывается на контролируемом тонком настройке (SFT) или обучении с подкреплением (RL). Однако эти контролируемые методы требуют дорогостоящих и вручную аннотированных мультимодальных данных — ресурса, который в конечном итоге является неустойчивым. Хотя недавние исследования изучали неконтролируемое пост-обучение, их методы сложны и трудны для итераций. В данной работе мы впервые исследуем использование GRPO, стабильного и масштабируемого алгоритма онлайн RL, для обеспечения постоянного самоулучшения без какого-либо внешнего контроля. Мы предлагаем MM-UPT, простую, но эффективную структуру для неконтролируемого пост-обучения MLLMs. MM-UPT основывается на GRPO, заменяя традиционные сигналы вознаграждения механизмом само-вознаграждения, основанным на мажоритарном голосовании среди множества сэмплированных ответов. Наши эксперименты показывают, что MM-UPT значительно улучшает способность к рассуждению модели Qwen2.5-VL-7B (например, с 66.3 % до 72.9 % на MathVista, с 62.9 % до 68.7 % на We-Math), используя стандартные наборы данных без истинных меток. MM-UPT также превосходит предыдущие неконтролируемые базовые методы и даже приближается к результатам контролируемого GRPO. Кроме того, мы показываем, что включение синтетических вопросов, сгенерированных исключительно самой MLLM, также может повысить производительность, что подчеркивает перспективный подход для масштабируемого самоулучшения. В целом, MM-UPT предлагает новую парадигму для постоянного, автономного улучшения MLLMs в отсутствие внешнего контроля. Наш код доступен по адресу 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.