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。
抖音精品喜剧系列短剧全数上线,喜人卡司领衔主演笑点无限
AI Infra 往事之异构计算篇:吴韧与他的学生们
港科大褚晓文:医疗场景下的 AutoML ,模型参数量更小、分类准确率更高
李彦宏在百度世界2023:我们即将进入一个AI原生的时代
独家丨前微软 NLP 大牛姜大昕创立新公司「阶跃星辰」
南方电网发布首个「电力大模型」,百度智能云助力「智能电网」
对话中科深智成维忠:数字人的关键是交互,交互的关键是大模型
DALL·E 3 推理能力炸裂提升,OpenAI 抢跑「ChatGPT 原生」
大模型「点火」,AI for Science 提速
AIGC:我不是元宇宙的附庸品
多模态AI技术「涌现」,AI公司的「新机会」
若愚科技:基于多模态大模型的机器人“大脑”领导者
女子自曝怀孕期间摆烂上班丈夫是市副处?官方通报
马斯克的Space X卫星被破解,25美元的工具就能入侵终端,篡改运行任意代码,攻击手法已公开
在 AI 战场里拿掉英特尔,PC 能活吗?
对话零一万物:大模型产品要找到 TC
中国正大步迈向全球创新中心
当「养老」遇上 AI 大模型
第十六届信息安全高级论坛暨2024 RSAC热点研讨会圆满落幕
独家|前百度搜索老将赵世奇从华为离职,回归百度
成立“美国党” 马斯克的“第三条道路”走得通吗?
百川智能发布Baichuan2—Turbo系列API,开启企业定制化新生态
人大 Sora 思辩:Sora 到底懂不懂物理世界?
聚焦AI科技与医疗的跨学科融合,CAIR香港人工智能与机器人医疗论坛开幕
[list:i operate=+3]英伟达 Jim Fan:具身智能的难点不是硬件,而是「Foundation Agent」
[list:i operate=+3]万兴科技正式布局AIGC赛道 首款AIGC产品万兴AI绘画开启公测
[list:i operate=+3]聚焦AI科技与医疗的跨学科融合,CAIR香港人工智能与机器人医疗论坛开幕
[list:i operate=+3]大模型助力企业数据驱动,火山引擎数智平台发布 AI 助手
[list:i operate=+3]博搏云的生态蓝图:稳固住AGI全栈服务商的重要阵地
[list:i operate=+3]Gair 大咖说:AI 的兴起是否意味着 Web3 的衰落?