DeepSeek R2的研究成果已經(jīng)接近。最近，DeepSeek和清華大學的研究者發(fā)表了一篇論文，探討了獎勵模型在推理時的Scaling方法。

強化學習（RL）已廣泛應用于大規(guī)模語言模型（LLM）的后訓練階段。通過RL激勵LLM的推理能力表明，采用合適的學習方法可以實現(xiàn)有效的推理時可擴展性。然而，RL面臨的一個關(guān)鍵挑戰(zhàn)是在多種領(lǐng)域中為LLM獲得準確的獎勵信號。

研究者發(fā)現(xiàn)，在獎勵建模（RM）方法上采用點式生成式獎勵建模（GRM），可以提升模型對不同輸入類型的靈活適應能力，并具備推理階段可擴展的潛力。為此，他們提出了一種自我原則點評調(diào)優(yōu)（SPCT）的學習方法。這種方法通過在線RL訓練促進GRM生成具備可擴展獎勵能力的行為，即能夠自適應生成評判原則并準確生成點評內(nèi)容，從而得到DeepSeek-GRM模型。

DeepSeek-GRM-27B是基于Gemma-2-27B經(jīng)過SPCT后訓練的。實驗結(jié)果表明，SPCT顯著提高了GRM的質(zhì)量和可擴展性，在多個綜合RM基準測試中優(yōu)于現(xiàn)有方法和模型。研究者還比較了DeepSeek-GRM-27B與671B更大模型的推理時間擴展性能，發(fā)現(xiàn)它在模型大小上的訓練時間擴展性能更好。此外，他們引入了一個元獎勵模型（meta RM）來引導投票過程，以提升擴展性能。

研究者的貢獻包括：提出了一種新方法——自我原則點評調(diào)優(yōu)（SPCT），用于推動通用獎勵建模在推理階段實現(xiàn)有效的可擴展性；SPCT顯著提升了GRM在獎勵質(zhì)量和推理擴展性能方面的表現(xiàn)，超過了現(xiàn)有方法及多個強勁的公開模型；將SPCT的訓練流程應用于更大規(guī)模的LLM，并發(fā)現(xiàn)相比于訓練階段擴大模型參數(shù)量，推理階段的擴展策略在性能上更具優(yōu)勢。

SPCT方法包括兩個階段：拒絕式微調(diào)作為冷啟動階段，以及基于規(guī)則的在線強化學習。拒絕式微調(diào)的核心思想是讓GRM適應不同輸入類型，并以正確的格式生成原則與點評內(nèi)容?；谝?guī)則的在線強化學習則進一步微調(diào)GRM，通過提升生成的原則和點評內(nèi)容來強化通用獎勵的生成過程。

為了提升DeepSeek-GRM在生成通用獎勵上的性能，研究團隊探索了如何利用更多的推理計算，通過基于采樣的策略來實現(xiàn)有效的推理時擴展。逐點GRM投票過程被定義為將獎勵求和，這實際上將獎勵空間擴大了k倍，使GRM能生成大量原則，從而提升最終獎勵的質(zhì)量和細膩度。為了避免位置偏差并增加多樣性，研究人員在采樣前會對回答進行隨機打亂。

研究團隊還訓練了一個元獎勵模型（meta RM）來引導投票過程。這個meta RM是一個逐點標量模型，訓練目標是判斷DeepSeek-GRM生成的原則和評論是否正確。引導投票的實現(xiàn)很簡單：meta RM為k個采樣獎勵輸出元獎勵，然后從這些獎勵中選出前k_meta個高質(zhì)量的獎勵進行最終投票，從而過濾掉低質(zhì)量樣本。

結(jié)果顯示，DeepSeek-GRM-27B在整體性能上超過了基線方法，并且與一些強大的公開RM表現(xiàn)相當。如果通過推理時擴展，DeepSeek-GRM-27B還能進一步提升，達到最佳整體結(jié)果。隨著推理計算量增加，DeepSeek-GRM-27B展現(xiàn)出進一步提升性能的潛力。meta RM也在每個基準測試中證明了其過濾低質(zhì)量軌跡的有效性。

消融研究表明，即使沒有使用拒絕采樣的評論數(shù)據(jù)進行冷啟動，經(jīng)過在線強化學習后，通用指令調(diào)整的GRM仍然顯著提升。非提示采樣似乎比提示采樣更重要，可能是因為提示采樣軌跡中出現(xiàn)了捷徑。這表明在線訓練對GRM的重要性。原則生成對DeepSeek-GRM-27B的貪婪解碼和推理時擴展性能都至關(guān)重要。在推理時擴展中，meta RM指導的投票在不同k_meta下表現(xiàn)出魯棒性。

研究團隊進一步研究了DeepSeek-GRM-27B在不同規(guī)模LLM后訓練下的推理時和訓練時擴展性能。使用32個樣本直接投票的DeepSeek-GRM-27B可以達到與671B MoE模型相當?shù)男阅?，而meta RM指導的投票僅用8個樣本就能取得最佳結(jié)果，證明了DeepSeek-GRM-27B在推理時擴展上的有效性，優(yōu)于單純擴大模型規(guī)模。