Bytedance präsentiert DAPO: Ein neues Open-Source-System für Reinforcement Learning in großen Sprachmodellen

Bytedance veröffentlicht DAPO: Ein Open-Source-System für Reinforcement Learning mit großen Sprachmodellen

Die Skalierung von Inferenzprozessen verleiht großen Sprachmodellen (LLMs) eine beispiellose Fähigkeit zum logischen Denken, wobei Reinforcement Learning (RL) die Kerntechnik darstellt, um komplexes Schlussfolgern zu ermöglichen. Während große Fortschritte in diesem Bereich erzielt wurden, bleiben die wichtigsten technischen Details von State-of-the-Art-LLMs für das Reasoning oft im Verborgenen. Dies erschwert die Reproduzierbarkeit der RL-Trainingsergebnisse und behindert den Fortschritt in der Forschungsgemeinschaft.

Vor diesem Hintergrund hat Bytedance Research DAPO (Decoupled Clip and Dynamic sAmpling Policy Optimization) vorgestellt, ein vollständig quelloffenes RL-System für große Sprachmodelle. DAPO erreicht beachtliche 50 Punkte im AIME 2024 Benchmark unter Verwendung des Qwen2.5-32B Basismodells. Im Gegensatz zu früheren Arbeiten, die Trainingsdetails zurückhalten, offenbart Bytedance die vier Schlüsseltechniken ihres Algorithmus, die den Erfolg von RL mit großen Sprachmodellen ermöglichen.

Die vier Schlüsseltechniken von DAPO

DAPO zeichnet sich durch vier innovative Techniken aus, die das Training von LLMs durch Reinforcement Learning optimieren:

1. **Decoupled Clipping:** Diese Technik entkoppelt das Clipping des Gradienten von der Policy-Optimierung, wodurch die Stabilität des Trainings verbessert wird.

2. **Dynamic Sampling:** DAPO verwendet ein dynamisches Sampling-Verfahren, um die Effizienz des Trainings zu steigern und die Exploration des Lösungsraums zu verbessern.

3. **Value Function Decomposition:** Die Zerlegung der Wertfunktion ermöglicht eine genauere Schätzung des zukünftigen Nutzens und beschleunigt den Lernprozess.

4. **Distributed Training:** DAPO unterstützt verteiltes Training, wodurch die Skalierbarkeit auf große Modelle und Datensätze ermöglicht wird.

Open Source für die Forschungsgemeinschaft

Ein entscheidender Aspekt von DAPO ist die vollständige Offenlegung des Trainingscodes, der auf dem Verl-Framework basiert. Zusätzlich stellt Bytedance einen sorgfältig kuratierten und verarbeiteten Datensatz zur Verfügung. Diese Komponenten des Open-Source-Systems sollen die Reproduzierbarkeit der Ergebnisse gewährleisten und zukünftige Forschung im Bereich des RL mit großen Sprachmodellen unterstützen. Die Veröffentlichung von DAPO ist ein wichtiger Schritt in Richtung Transparenz und Zusammenarbeit in der KI-Forschung.

Ausblick und Bedeutung

Die Offenlegung von DAPO durch Bytedance hat das Potenzial, die Forschung im Bereich des Reinforcement Learnings mit großen Sprachmodellen deutlich voranzutreiben. Durch die Transparenz und die Bereitstellung des Codes und der Datensätze können andere Forscher die Ergebnisse reproduzieren, den Algorithmus weiterentwickeln und neue Anwendungen für RL in der Praxis erforschen. DAPO unterstreicht die wachsende Bedeutung von Open-Source-Initiativen in der KI-Community und trägt dazu bei, die Entwicklung und den Zugang zu leistungsstarken KI-Technologien zu demokratisieren.

Bibliographie: - Yu, Q., et al. "DAPO: An Open-Source LLM Reinforcement Learning System at Scale." arXiv preprint arXiv:2503.14476 (2025). - https://dapo-sia.github.io/ - https://dapo-sia.github.io/static/pdf/dapo_paper.pdf - https://www.marktechpost.com/2025/03/17/bytedance-research-releases-dapo-a-fully-open-sourced-llm-reinforcement-learning-system-at-scale/ - https://github.com/BytedTsinghua-SIA/DAPO - https://www.reddit.com/r/machinelearningnews/comments/1jdz2d8/bytedance_research_releases_dapo_a_fully/ - https://www.linkedin.com/posts/asifrazzaq_bytedance-research-releases-dapo-a-fully-activity-7307654684213747713-sy14 - https://www.threads.net/@marktechpost/post/DHV1SMbSW9E - https://app.daily.dev/posts/bytedance-research-releases-dapo-a-fully-open-sourced-llm-reinforcement-learning-system-at-scale-bhmyib13i - https://www.marktechpost.com/2025/02/24/open-reasoner-zero-an-open-source-implementation-of-large-scale-reasoning-oriented-reinforcement-learning-training/ - https://arxiv.org/abs/2502.18449