기술 요약: MURPHY – 반성적 신용 할당이 있는 피드백 인식 GRPO

문제 정의

검증 가능한 보상을 통한 강화 학습 (RLVR) 은 추론 작업에 대한 대규모 언어 모델 (LLM) 의 사후 학습을 위한 표준 접근 방식이 되었으며, 그룹 상대 정책 최적화 (GRPO) 가 주요 방법으로 부상했습니다. 그러나 표준 GRPO 와 그 변형들은 본질적으로 단회전 (single-turn) 방식입니다. 즉, 고립된 프롬프트 - 응답 쌍으로부터의 종단 보상에 기반하여 최적화합니다. 이 아키텍처는 모델이 환경 피드백 (예: 실행 오류, 스택 트레이스, 실패한 테스트 케이스) 에 반응하여 솔루션을 반복적으로 정제해야 하는 에이전트 설정, 특히 코드 생성에는 적합하지 않습니다.

기존의 다회전 (multi-turn) 방법들은 종종 학습된 검증기 (µCODE), PPO 스타일의 비평가 (RLEF), 또는 별도의 검증 정책 (REVEAL) 과 같은 복잡한 보조 장치를 의존합니다. 자연스러운 기준선인 GRPO-MT는 피드백 조건부 상호작용을 궤적으로 간주함으로써 GRPO 를 다회전으로 확장합니다. 그러나 GRPO-MT 는 거친 신용 할당 (coarse credit assignment) 으로 고통받습니다. 이는 중간 단계의 실패한 시도가 이후의 성공적인 정제를 가능하게 하는 유용한 피드백을 제공했는지 여부와 상관없이, 궤적 내의 모든 토큰에 동일한 종단 보상을 할당합니다. 코드 생성에서 실패한 시도는 균일하게 부정적인 것이 아닙니다. 이는 최종 솔루션에 결정적인 특정 엣지 케이스나 런타임 오류를 드러낼 수 있습니다. 현재 방법들은 동일한 종단 결과를 공유할 때 "유용한 실패"와 "무용한 실패"를 구분하지 못합니다.

방법론: MURPHY

저자들은 학습된 비평가나 보조 검증기를 도입하지 않고 표준 사후 학습 레시피를 피드백 인식으로 만들기 위해 설계된 GRPO 의 최소 확장인 MURPHY(반성적 정책 최적화를 통한 다회전 업데이트) 를 소개합니다.

1. 피드백 조건부 롤아웃 트리

MURPHY 는 선형 궤적 대신 각 입력 프롬프트에 대해 트리 구조를 구축합니다:

• 1 회전: 모델은 후보 프로그램 그룹을 샘플링합니다.
• 실행 및 피드백: 각 후보는 테스트 스위트에 대해 실행되어 스칼라 보상 (예: 통과율) 과 정성적 피드백 (예: 오류 메시지) 을 생성합니다.
• 확장:
  • 해결된 후보는 종료되어 리프 노드가 됩니다.
  • 실패한 후보는 확장됩니다. 새로운 프롬프트는 원래 작업, 실패한 출력, 그리고 실행기 피드백을 연결하여 형성됩니다. 모델은 이 피드백 조건부 프롬프트에서 새로운 정제 그룹을 생성하기 위해 다시 호출됩니다.
• 이 과정은 고정된 수의 회전에 걸쳐 반복되어, 특정 피드백에 조건부로 정제 단계를 나타내는 간선을 가진 트리를 생성합니다.

2. 반성적 신용 할당

핵심 혁신은 반성적 신용 할당입니다. 롤아웃 트리가 완료된 후, 보상은 리프에서 루트로 역방향으로 전파됩니다. 이를 통해 후속 성공적인 정제가 유용한 피드백을 생성한 초기 실패 시도에 "신용"을 부여할 수 있습니다. 논문은 두 가지 전파 전략을 제안합니다:

• 최대 보상 (MARS): 낙관적인 백업입니다. 노드 $v$에 대해 조정된 보상 $\tilde{r}(v)$는 즉각적인 보상 $r(v)$와 자식 노드들의 조정된 보상의 최댓값 중 최댓값입니다:
  $$\tilde{r}(v) = \max\left(r(v), \max_{u \in C(v)} \tilde{r}(u)\right)$$
  이는 자손 중 어떤 것이라도 결국 작업을 해결하면 실패한 시도에 신용을 부여합니다.
• 평균 보상 (MERS): 기대값 기반 백업입니다. 미래 보상의 할인된 평균을 전파합니다:
  $$\tilde{r}(v) = r(v) + \gamma \cdot \frac{\text{mean}_{u \in C(v)} \tilde{r}(u)}{Z(v)}$$
  여기서 $\gamma$는 할인 인자이고 $Z(v)$는 정규화 항입니다.

3. 로컬 GRPO 업데이트

보상이 조정되면, MURPHY 는 트리 내의 각 응답 그룹에 표준 GRPO 목적 함수를 로컬로 적용합니다. 즉각적인 보상을 사용하는 대신, 이득을 계산하기 위해 신용 조정된 보상 ($\tilde{r}$) 을 사용합니다. 이는 트리 구조에서 시간적 신용을 통합하면서도 GRPO 의 그룹 상대 기준선 구조를 유지합니다.

4. 가지치기 전략

트리를 확장하는 계산 비용 (기하급수적으로 성장할 수 있음) 을 해결하기 위해, MURPHY 는 보상 전파 전에 유용한 궤적을 유지하는 롤아웃 후 가지치기 메커니즘을 도입합니다:

• 그룹 내 가지치기 (INTRAP): 각 응답 그룹 내에서 고정된 수의 궤적을 유지하며, 특히 보상 분산에 가장 크게 기여하는 것들을 선택합니다 (다양한 학습 신호 유지).
• 그룹 간 가지치기 (INTERP): 그룹 내 보상 분산에 기반하여 전체 정제 그룹을 유지합니다. 이는 최적화 예산을 가장 다양하고 유용한 후보 정제를 산출하는 피드백 컨텍스트에 할당합니다.

주요 기여

1. MURPHY 알고리즘: 구조화된 시간적 신용 할당을 통해 실행 피드백을 활용하도록 코드 LLM 을 훈련시키는 다회전 GRPO 확장으로, 학습된 검증기나 비평가의 필요성을 제거합니다.
2. 보상 전파 전략: 성공적인 정제에서 초기의 유용한 실패로 신용을 할당하기 위한 MARS(낙관적) 와 MERS(기대값 기반) 전략의 도입.
3. 가지치기 메커니즘: 학습 신호를 유지하면서 무용한 궤적을 필터링하여 다회전 최적화를 실현 가능하게 만드는 INTRAP 및 INTERP 전략 설계.
4. 실증적 검증: HumanEval, MBPP, LiveCodeBench-v6 세 가지 벤치마크와 Qwen, OLMo 두 가지 모델 계열에 대한 포괄적인 평가를 통해 기존 다회전 방법보다 상당한 개선을 입증했습니다.

실험 결과

저자들은 Qwen3(1.7B, 4B) 및 OLMo-2-7B 모델을 사용하여 HumanEval, MBPP, LiveCodeBench-v6에서 MURPHY 를 평가했습니다.

• 성능 향상: MURPHY 는 가장 강력한 기존 다회전 실행 피드백 방법 (GRPO-MT, µCODE, REVEAL 포함) 보다 최대 6% 절대적 pass@1 향상을 달성했습니다.
• 난이도 확장: 향상은 Medium 및 Hard 부분집합에서 가장 두드러졌습니다. 예를 들어, LiveCodeBench-v6(Medium 부분집합) 에서 MURPHY 는 Iter-5 에서 **+4.38%**의 향상을 보였으며, Hard 부분집합에서는 **+4.20%**의 향상을 보였습니다. 이는 이 방법이 반복적 자기 수정이 중요한 곳에서 특히 효과적임을 시사합니다.
• 기준선 비교:
  • OLMo-2-7B에서 MURPHY 는 Iter-3 설정에서 HumanEval 에서 +6.20 pp, MBPP 에서 +6.07 pp만큼 가장 강력한 기준선을 능가했습니다.
  • Qwen3-4B(LiveCodeBench-v6) 에서 MURPHY 는 더 복잡한 아키텍처를 가진 REVEAL(공훈련 자기 검증기를 가진 방법) 을 모든 난이도 부분집합에서 능가했습니다.
• 절대 실험 (Ablation Studies):
  • MARS 대 MERS: MARS 는 평균을 통해 신호를 희석하는 대신 가장 강력한 결과를 전파함으로써, 특히 희소 보상 환경에서 일반적으로 MERS 보다 우수했습니다.
  • 가지치기: INTERP 가지치기 전략은 가장 좋은 비용 - 품질 균형을 제공하여 최적화 시간을 74.1% 줄이고 (전체 단계별 훈련 시간을 21.4% 감소) 성능을 가지치기 전 모델의 0.8% 이내로 유지했습니다. INTRAP 은 단일 회전 성능을 향상시켰으나 다회전 성능에서는 퇴보를 초래했습니다.

중요성과 주장

이 논문은 MURPHY 가 신용 할당의 구조적 변화만으로 표준 GRPO 사후 학습 레시피를 피드백 인식으로 만들 수 있음을 보여준다고 주장합니다.

• 아키텍처의 간결성: 보조 가치 함수, 학습된 검증기, 또는 명시적 검증 정책을 필요로 하는 이전 작업들과 달리, MURPHY 는 "최소한의, 아키텍처를 보존하는 확장"입니다. 이는 코드 생성 작업에 내재된 실행 피드백에만 의존합니다.
• 신용 할당 불일치: 이 작업은 에이전트 코드 생성의 근본적인 불일치를 해결합니다. 즉, 무용한 오류와 유용한 실패를 구분하지 못하는 문제입니다. 보상을 역방향으로 전파함으로써, MURPHY 는 오류가 수정에 필요한 신호를 제공한다면 "실수하고 다시 실수하라"(Piet Hein의 인용구) 는 것이 가치 있음을 모델에게 가르칩니다.
• 확장성: 제안된 가지치기 전략은 학습 신호의 품질을 희생하지 않으면서 최적화 부담을 줄여 다회전 훈련을 계산적으로 실현 가능하게 만듭니다.

저자들은 다회전 롤아웃이 단일 회전 GRPO 에 비해 훈련 비용을 증가시키지만, 특히 어려운 문제에서 자기 수정 능력의 향상은 이 접근 방식을 정당화한다고 결론지었습니다. 그들은 증가된 훈련 비용과 깨끗한 실행 피드백에 대한 의존성에 대한 한계를 지적하며, 향후 연구는 더 노이즈가 많은 피드백 신호와 적응형 회전 예산을 탐구할 수 있음을 시사합니다.