획기적인 AI 추론 모델 R1-VL: 단계별 그룹 상대 정책 최적화의 힘

중국과학원 자동화연구소 연구팀이 개발한 새로운 강화학습 프레임워크 StepGRPO와 이를 기반으로 한 MLLM R1-VL은 단계별 추론에서 뛰어난 성능을 보이며 AI 추론 기술 발전에 기여할 것으로 기대됩니다.

최근 다양한 연구에서 거대 언어 모델(MLLM)의 추론 능력 향상을 위해 고품질 사고 과정 데이터를 이용한 지도 학습 미세 조정이 활발히 진행되고 있습니다. 하지만 이러한 접근 방식은 모델이 성공적인 추론 경로만 모방하고 잘못된 경로에 대한 이해는 부족하다는 한계를 가지고 있죠. 중국과학원 자동화연구소의 Jingyi Zhang을 비롯한 연구팀은 이러한 한계를 극복하고자 단계별 그룹 상대 정책 최적화(StepGRPO) 라는 새로운 강화 학습 프레임워크를 제시했습니다.

StepGRPO는 MLLM이 단순하고 효과적인 단계별 보상을 통해 자체적으로 추론 능력을 향상시킬 수 있도록 설계되었습니다. 핵심은 단계별 추론 정확도 보상(StepRAR) 과 단계별 추론 타당성 보상(StepRVR) 이라는 두 가지 새로운 규칙 기반 추론 보상입니다. StepRAR은 소프트 키-단계 매칭 기술을 통해 필요한 중간 추론 단계를 포함하는 추론 경로에 보상을 제공하며, StepRVR은 추론 완전성 및 논리 평가 전략을 통해 잘 구성되고 논리적으로 일관된 추론 과정을 따르는 경로에 보상을 제공합니다.

연구팀은 StepGRPO를 통해 R1-VL이라는 일련의 MLLM을 개발했습니다. R1-VL은 단계별 추론에서 뛰어난 성능을 보이며, 8개의 벤치마크에 대한 광범위한 실험을 통해 기존 방법보다 우수한 성능을 입증했습니다. 이는 단순히 성공적인 사례를 모방하는 것을 넘어, 추론 과정 자체의 이해와 개선에 초점을 맞춘 획기적인 연구 결과라고 할 수 있습니다. R1-VL은 AI 추론 기술의 새로운 지평을 열고, 더욱 복잡하고 정교한 문제 해결에 기여할 것으로 기대됩니다. 앞으로 이 기술이 어떻게 발전하고 실제 응용 분야에 적용될지 주목할 필요가 있습니다.