Масштабирование на этапе вывода для универсального моделирования вознаграждений

Inference-Time Scaling for Generalist Reward Modeling

April 3, 2025

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

cs.AI

Аннотация

Обучение с подкреплением (RL) широко применяется для посттренировки крупных языковых моделей (LLM) в масштабе. Недавние исследования показывают, что стимулирование способностей к рассуждению в LLM с помощью RL указывает на то, что правильные методы обучения могут обеспечить эффективную масштабируемость на этапе вывода. Основная задача RL заключается в получении точных сигналов вознаграждения для LLM в различных областях, выходящих за рамки проверяемых вопросов или искусственных правил. В данной работе мы исследуем, как улучшить моделирование вознаграждения (RM) с использованием большего объема вычислительных ресурсов для общих запросов, то есть масштабируемость универсального RM на этапе вывода, и, кроме того, как повысить эффективность масштабирования производительности и вычислительных ресурсов с помощью правильных методов обучения. Для подхода RM мы применяем точечное генеративное моделирование вознаграждения (GRM), что обеспечивает гибкость для различных типов входных данных и потенциал для масштабирования на этапе вывода. В качестве метода обучения мы предлагаем Self-Principled Critique Tuning (SPCT) для развития масштабируемых поведений генерации вознаграждения в GRM через онлайн RL, что позволяет адаптивно генерировать принципы и точно формулировать критические оценки, что приводит к созданию моделей DeepSeek-GRM. Кроме того, для эффективного масштабирования на этапе вывода мы используем параллельную выборку для расширения использования вычислительных ресурсов и вводим мета-RM для управления процессом голосования с целью улучшения масштабируемости. Эмпирически мы показываем, что SPCT значительно улучшает качество и масштабируемость GRM, превосходя существующие методы и модели в различных тестах RM без серьезных смещений, и может достичь лучшей производительности по сравнению с масштабированием на этапе обучения. DeepSeek-GRM все еще сталкивается с трудностями в некоторых задачах, которые, как мы считаем, могут быть решены в будущих разработках универсальных систем вознаграждения. Модели будут выпущены и опубликованы в открытом доступе.

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.