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:“这应该是因为艺重庆学院曝光全集全球范围内,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,推特重庆学院曝光全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。
美图视觉大模型3.0:让设计师做甲方
实测字节豆包·视频生成模型:Sora画的饼被实现了......
2024WAIC热议大模型助力产业新趋势,可信应用成焦点
港大马毅:现在的大模型只有「知识」,没有「智能」
徽风皖韵绕濠江 经典黄梅戏澳门上演
人形机器人公司 Foundation 融资 1100 万美元;OpenAI 聘请前 Meta 高管领导战略计划丨AI情报局
AI 图像生成平台 LiblibAI 融资总额达数亿元;Meta 曝训练 Llama 3 每 3 小时「罢工」一次丨AI情报局
探索 5 大 AI 语言学习工具,掌握新语言的未来丨AI情报局
李彦宏在百度世界2023:我们即将进入一个AI原生的时代
2024WAIC热议大模型助力产业新趋势,可信应用成焦点
2024WAIC热议大模型助力产业新趋势,可信应用成焦点
具身智能构型之争:人形、灵巧手、双足,谁是最终 C 位?
多名事业单位在编人员被清退,牵出跨省作弊链
考拉悠然完成亿元 B 轮融资;童欣投身 AGI 创业团队;吴恩达离开其 AI 创业公司,或专注新设立的 AI 基金丨AI情报局
智元发布商用人形全家桶,双足10月开始量产,今年出货200台
AI 图像生成平台 LiblibAI 融资总额达数亿元;Meta 曝训练 Llama 3 每 3 小时「罢工」一次丨AI情报局
国内首个医疗专科推理数据集开源,蚂蚁百灵大模型助力行业落地
徐凌杰创立魔形智能,国际头部GPU高管加盟
元象发布中国最大MoE开源大模型 落地应用登顶港台榜
Groq获贝莱德3亿美元投资,最新估值22亿美元;Hayden AI获9000万美元C轮融资丨AI情报局
媒体评:宿管大爷去世与高温环境关联需查清
对话 IJCAI2024 大会主席张成奇:克服了幻觉,大模型就不够「靓丽」
Soul创新多模态互动体验,携「异世界回响」亮相WAIC2024
无问芯穹完成近 5 亿元 A 轮融资,累计融资近 10 亿元
[list:i operate=+3]对话加拿大工程院于非院士:寻找 AI 领域的「香农定理」
[list:i operate=+3]人形机器人公司 Foundation 融资 1100 万美元;OpenAI 聘请前 Meta 高管领导战略计划丨AI情报局
[list:i operate=+3]AI VC Radical Ventures 融资近 8 亿美元,李飞飞、Hinton支持;谷歌发布四款 AI 手机丨AI情报局
[list:i operate=+3]谷歌超 25 亿美金收购 Character AI;曝英伟达 AI 芯片遇重大设计缺陷,数百亿美元订单将受影响丨AI情报局
[list:i operate=+3]为涉黑母亲辩护的河南基层法官,涉嫌洗钱罪被刑拘
[list:i operate=+3]图灵奖遗忘的AI之父,GAI时代再发声:Jurgen重谈AI“创业”史