2025 年 1 月 20 日 Kimi k1.5 正式发布,推特伴随着工艺报告的热帖公布,有网友表示:“这应该是因为艺知乎情侣博主视频曝光合集全球范围内,除 OpenAI 之外的作团公司首次实现 o1 正式版的多模态推理性能了吧!”
一时间,项工Kimi k1.5 成了话题王者。推特
但在一个月后的热帖 2 月 24 日,X 上出现了一篇关于 Kimi k1.5 的因为艺工艺爆料帖,博主直言 k1.5 所用到的作团强化学习运算规则,其实是项工借鉴了自己在 24 年 5 月提出的一种名为 SPPO 的工艺。
消息一出,推特知乎情侣博主视频曝光合集瞬间吸引了数万人关注。热帖
在这则爆料中,博主 Yue Wu 先是项工对 SPPO 进行了简单解释,并且附上了相关论文(https://arxiv.org/abs/2405.00675),简单来说,SPPO是一种自博弈运算规则,最初的动机来源于刻画广泛意义上的人类偏好,并且使用了如下图所示的平方损失函数:
值得一提的是,点开论文链接,你会发现原来 Yue Wu 和 Zhiqing Sun 同为这篇文章的第一作者。
紧接着,他开始对 SPPO 工艺进行解析:
通过迭代求解上式中的 theta_t,我们可以得到一个与人类偏好对齐良好的语言模型。SPPO 使用胜率(红色部分)作为奖励,并用常数近似基线(蓝色部分)。
让我们感兴趣的是,我们发现它与 RLHF 目标的策略梯度有着深层的联系:如果我们直接用普通的策略梯度优化 RLHF (人类反馈强化学习)目标会怎样?根据策略梯度定理,策略梯度实际上也具有平方损失形式(蓝色项是策略梯度中的基线):
从数学上,我们证明了 SPPO 的平方损失等价于普通策略梯度的一种半在线变体:
SPPO 中的胜率充当奖励函数(红色部分)。
分区函数项自然地成为(软)值函数(蓝色部分)。
那么这到底意味着什么呢?
标准策略梯度(PPO、GRPO、REINFORCE)在每一步都收集遵循当前策略的样本。
SPPO 在每次迭代开始时只采样一次,然后通过平方损失进行优化。
这使得 SPPO 成为一种轻量级的 RLHF 方法——无需即时生成!
上述分析揭示了大型语言模型(LLM)后训练阶段一个有趣的增长趋势:
离线 DPO(IPO、KTO 等)取代 RLHF(奖励模型 + 强化学习)
迭代 DPO、SPPO 等方法将离线方法转化为在线对齐方法
更加精细的迭代 → 回归到在线强化学习
鉴于 GRPO(Deepseek-R1)和平方损失(Kimi k1.5)的成功,端到端强化学习的强大作用愈发凸显,或许在大型语言模型(LLM)后训练阶段无需额外技巧——价值函数、广义优势估计(GAE),甚至梯度裁剪都无需使用。
另一个简单但有趣的发现是,他们发现 SPPO 暗中在词汇级别优化最优最大熵策略。其平方损失隐含地最小化了学习到的策略与最优词汇级别策略之间的 KL 散度。
在我们后续的研究 GPO 中,我们直接最小化相对奖励与对数比率之间的平方损失。这两项工作中的平方损失等价于策略梯度,但它是以迭代的方式进行的。
除了提出助力 Kimi k1.5 大获成功的 SPPO 工艺外,Wu Yue 也是一个学术背景很强的科研大牛。他本科期间师从北京大学的王立威教授,博士期间师从加利福尼亚大学洛杉矶分校的顾全全教授,目前以博士后研究员的身份在普林斯顿大学机器智能实验室继续着自己的科研之路。
除此之外,2023 年至今他一共参与发布了 9 篇 Paper,其中 3 篇均为第一作者。
强大的学术背景之外,Wu Yue 的实习经历也非常加分。2022 年至 2024 年,他分别在 NEC 美研院、字节美国 AI lab和 Meta 工作实习。在 NEC 美研院期间,Wu Yue 从事个性化联邦学习研究,并开发了一种基于混合模型的方法,该方法被 ICML 2023 接受发表;在字节美国 AI lab 时,他专注于药品发现领域的多构象生成,将分子动力学的物理先验纳入基于扩散的生成模型,相关成果被 ICML 2024 接受;来到 Meta 后,Wu Yue 又致力于词汇级别奖励建模和新架构设计,用于一般人类偏好和一般偏好优化,为生成式机器智能的增长做出了贡献。
雷峰网(公众号:雷峰网)还了解到,与他同为第一作者的 Zhiqing Sun ,目前已经从 CMU 毕业,并在今年 2 月加入 OpenAI。
雷峰网原创文章,未经授权禁止转载。详情见转载须知。
问鼎「AI 之巅」,第四届全国人工智能大赛决赛在深举行
第二十七届上海国际电影节开票 光影之城开启“电影+”节日模式
短剧非常关系四川拍摄再掀热潮
《友有游几天夏日限定》圆满收官:南波万夏日冒险全记录
Lydia 动作大模型亮相,虚拟动点助力“利亚德集团2024年生态合作伙伴大会”
砂砾与金ROCKRIDETaste空间重磅摄影首展即将启幕
电影《60/70》苏州金鸡湖畔宣言,打造专属退休女性的电影
北京人艺话剧《张居正》折射时代风云
云南威信县黑龙村强降雨疑似致5人失联
赛车手刘瑞祺出席首届RED GALA 尽显时尚质感
新时代工艺美术作品巡展昆明站启幕,百件匠心之作诠释文化传承与创新
五月阳光六周年庆典在杭城举行,张绍飞首唱主题曲《五月阳光》
抖音辟谣:“花费9位数与周杰伦签约”为谣言
《陷入我们的热恋》今日收官 “路取通栀”纯爱奔赴解锁高甜求婚
小城荔枝垂,翘首盼郎归!益世界《这城有良田》&电视剧《长安的荔枝》联动确认!
非遗“顶流”点燃交大校园!柴门小童携千年技艺引爆青春传承热浪
AI 迈进深水区,谈落地、谁能带来新解法?
中国凉谷音乐盛典:张宏光、滕矢初、臧云飞打卡“奋斗者小时光”
小马宝莉卡生产商卡游:反欺凌卡牌登场,教育新招引关注
非遗对话世界:BERRIN苝韵颜酒以文化为锚开启全球化征程
AIGC:我不是元宇宙的附庸品
古装悬疑剧《魅影神捕》开机,罗云熙化身神捕探寻诡案迷局
抖音非遗嘉年华亮相成都,用科技为非遗注入新活力
摇滚编年史超级演唱会圆满收官 目睹中国摇滚新历史的诞生