Aller au contenu
CoMLRL
Utilisation avancée

Retour sur plusieurs tours

Traduit automatiquement avec translategemma:4b Original en anglais

Dans cet exemple, deux agents répondent à une tâche, reçoivent des commentaires sur leurs réponses, puis répondent à nouveau.

Configuration#

La tâche demande au deuxième agent d’écrire une réponse de 2 à 3 fois plus longue que la réponse du premier agent.

import math

from datasets import Dataset
from transformers import AutoModelForCausalLM, AutoTokenizer
from comlrl.trainers.reinforce import MAGRPOConfig, MAGRPOTrainer

model_name = "Qwen/Qwen2.5-0.5B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
train_dataset = Dataset.from_dict({
    "prompt": [
        "Describe a city in the clouds:",
        "Invent a new holiday and explain it:",
        "Write a bedtime story for a dragon:",
        "Design a playground on Mars:",
    ]
})


def length_ratio_reward(completions1, completions2):
    rewards = []
    for first, second in zip(completions1, completions2):
        ratio = len(second) / max(len(first), 1)
        distance = 0.0 if 2 <= ratio <= 3 else min(abs(ratio - 2), abs(ratio - 3))
        rewards.append(math.exp(-distance))
    return rewards

Retour entre les tours#

Après la première étape, cette fonction écrit une nouvelle invite pour chaque agent. L’invite indique la longueur des réponses.

def length_feedback(prompt, agent_completions, num_agents, **history):
    lengths = [len(text) for text in agent_completions]
    ratio = lengths[1] / max(lengths[0], 1)
    return [
        f"{prompt}\n\nYour last answer had {lengths[i]} characters. "
        f"The second answer was {ratio:.1f} times as long as the first; "
        "the goal is 2 to 3 times. Please write an improved answer."
        for i in range(num_agents)
    ]

Entraînement sur deux tours#

num_turns=2 ajoute la deuxième étape, et external_transition connecte la fonction de retour.

config = MAGRPOConfig(
    num_turns=2,
    num_train_epochs=2,
    num_generations=4,
    max_new_tokens=64,
    logging_steps=1,
    early_termination_threshold=0.9,
)
trainer = MAGRPOTrainer(
    agents=[AutoModelForCausalLM.from_pretrained(model_name) for _ in range(2)],
    tokenizer=tokenizer,
    reward_func=length_ratio_reward,
    external_transition=length_feedback,
    train_dataset=train_dataset,
    args=config,
)
trainer.train()

early_termination_threshold=0.9 termine une branche après la première étape uniquement lorsque ses réponses atteignent déjà l’objectif. La valeur par défaut, −0.2, terminerait chaque branche après la première étape, car cette récompense n’est jamais négative.

Ce qui se passe à chaque étape#

  • À la première étape, chaque agent écrit 4 réponses, ce qui forme 4 réponses conjointes.
  • La fonction de retour transforme chaque réponse conjointe en nouvelles invites.
  • À chaque tour, chaque agent répond à nouveau, de sorte qu’une tâche peut avoir jusqu’à 16 réponses conjointes.
  • Une réponse du premier tour est notée en fonction de sa propre récompense plus la récompense moyenne des réponses du deuxième tour qui la suivent.
  • Avec W&B activé, turn_1/reward_mean et turn_2/reward_mean montrent si les réponses du deuxième tour sont meilleures.