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 rewardsRetour 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_meanetturn_2/reward_meanmontrent si les réponses du deuxième tour sont meilleures.