2025-07-11 13:34:23 风汇乐 4833
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:“这应该是因为艺女学生医院留观全集全球范围内,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,推特女学生医院留观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。
独家|杨红霞创业入局“端侧模型”,投后估值 1.5 亿美元
四川省新联会新文艺工作者专委会夏季工作会议在成都举行
大阪世博会中国馆举行中国电影日活动
全面焕新无广告 网易云音乐iPad端新版(beta)正式上线
百川智能首款 AI 应用主打懂搜索,但王小川不做搜索 2.0
拓元智慧完成近亿元人民币Pre
第16届巴黎中国电影节开幕
2025岳云鹏《非要唱》巡回演唱会北京站:用音乐讲最朴素的真心话
新能源时代,国产3D视觉「冲击」保守的汽车行业
当咖啡杯邂逅千年蜀韵:瑞幸首次联名非遗,带火三大四川瑰宝
Transformer能否推理引争议,DeepMind连夜更新论文开源数据集:Transformer真的很强
《英雄联盟:云顶之弈》庆祝6周年,云顶之弈时光机携专属玩家奖励回归
最高50% 特朗普再宣称对8国加征关税
2025岳云鹏《非要唱》巡回演唱会北京站:用音乐讲最朴素的真心话
《成家》:展现当代社会的情感图景
谷歌计划将 Gemini 并入 Deepmind,下个月开始生效
上海AI实验室开源发布高质量语料“万卷CC”
图书市集到光影特展:华熙集团赵燕以华熙LIVE开启文化赋能商业革新
几十个测试后,发现海螺语音与 ElevenLabs 掰手腕的能力不是盖的
“春天里送你一首诗”诗歌朗诵会在昌平向上学校成功举办
埋头钻研一年后,阶跃星辰交出了第一份答卷
莫斯科“鱼周”浪潮掀起 邀请中国游客共享美食
SIGGRAPH Asia 2024:传统与创新并存,3D 生成与具身智能热度上升
拓元智慧完成近亿元人民币Pre