• 語り口：技術的な正確性を重視した、極めて客観的かつ学術的なトーン。過度な修飾語を避け、能動態で事実ベースの記述を行う。

• ターゲット：数理統計、ニューラルネットワークの基礎、そして強化学習（RLHF/PPO/DPO等）に一定の理解がある研究者およびシニアエンジニア。

• 文字数・構成：指示された構成（1〜10）を厳密に遵守し、徹底的に専門的かつ網羅的に執筆。

• 言語コード：日本語 本記事はGeminiの出力をプロンプト工学で整理した業務ドラフト（未検証）です。

Prompt Augmentation Scales up GRPO：多様なプロンプト拡張による大規模RLの報酬モデリング安定化

【要点サマリ】

大規模言語モデルの強化学習において、生成ステップの報酬最適化は不安定になりやすい。

• 課題：GRPO（Group Relative Policy Optimization）等のRLアルゴリズムにおいて、テンプレートの画一性による過学習と評価不安定性が課題。

• 解決策：推論プロンプトに多様なシステム属性や形式バリエーションを付与する「Prompt Augmentation」を提案。

• 改善指標：数学的推論タスクにおいて、バニラのGRPOと比較して学習の収束安定性が向上し、性能（GSM8K等の精度）が最大数％向上。

【背景と最新動向】

近年、DeepSeek-R1などで採用された「GRPO（Group Relative Policy Optimization）」[1]は、価値関数モデル（Value Network）を排除し、サンプリンググループ内の相対的な報酬からアドバンテージを算出することで、GPUメモリを大幅に削減する手法として注目を集めています。

しかしながら、GRPOを用いた数学や推論（Reasoning）タスクの強化学習には致命的な課題が存在します。同一の静的プロンプトテンプレートに対して長大な思考トレース（Thought Chain）を繰り返し生成させる際、モデルが「特定の思考テンプレートや報酬関数のバグ（Reward Hacking）」に過学習を起こし、訓練プロセスが急激に崩壊（Divergence）する現象が報告されています。

2024年から2025年にかけての強化学習（RLHF/RLAIF）のトレンドは、「いかに安価に頑健な報酬フィードバックループを構築するか」に移行しています。本論文「Prompt Augmentation Scales up GRPO」は、静的なプロンプトに対して意図的に多様な「System Promptのバリエーション」や「思考フォーマットの制約（思考プロセスの記述言語や論理ステップの書式変更）」をブレンドすることで、ポリシー（Policy）の表現空間を正則化し、GRPOの訓練効率と耐過学習性をスケールアップさせるアプローチを提示しています。

【アーキテクチャ・仕組み】

提案手法は、バニラのGRPOが持つ「同一プロンプトに対する複数サンプリング」という枠組みを拡張し、各エピソードのサンプリング段階においてプロンプト側を動的に摂動（Augmentation）させます。

graph TD
    A["Original User Prompt"] --> B{"Prompt Augmenter"}
    B -->|Augmentation 1: Academic Style| C["Augmented Prompt 1"]
    B -->|Augmentation 2: Detail-oriented| D["Augmented Prompt 2"]
    B -->|Augmentation N: Concise Style| E["Augmented Prompt N"]

    C --> F["Policy Model: Actor"]
    D --> F
    E --> F

    F -->|Rollout Groups| G["Generated Responses y_1, ..., y_G"]
    G --> H["Reward Function / Rule-based Verifier"]
    H --> I["Group Relative Advantage Estimation"]
    I -->|Gradient Update| F

数理的定式化

GRPOでは、1つの入力プロンプト $q$ に対し、現在のポリシー $\pi_{\theta}$ から $G$ 個の出力 ${y_1, y_2, \dots, y_G}$ をサンプリングします。各出力の報酬 $r_i = D(q, y_i)$ を元に、グループ内での相対的なアドバンテージ $A_i$ を算出します。

$$A_i = \frac{r_i – \text{mean}(r)}{\text{std}(r)}$$

本手法では、入力プロンプト $q$ に対し、プロンプト拡張分布 $\mathcal{T}$ からサンプリングされた変換関数 $t \sim \mathcal{T}$ を適用し、拡張されたプロンプト $q’ = t(q)$ を作成します。目的関数は以下のようになります。

$$\mathcal{L}_{\text{PA-GRPO}}(\theta) = \mathbb{E}_{q \sim \mathcal{D}, t \sim \mathcal{T}} \left[ \frac{1}{G} \sum_{i=1}^{G} \min \left( \frac{\pi_{\theta}(y_i | t(q))}{\pi_{\theta_{\text{old}}}(y_i | t(q))} A_i, \text{clip}\left(\frac{\pi_{\theta}(y_i | t(q))}{\pi_{\theta_{\text{old}}}(y_i | t(q))}, 1-\epsilon, 1+\epsilon\right) A_i \right) – \beta \mathbb{D}_{\text{KL}}(\pi_{\theta} || \pi_{\text{ref}}) \right]$$

このように、状態空間 $t(q)$ を拡張することで、KLダイバージェンスによる正則化項 $\mathbb{D}_{\text{KL}}$ が特定のテンプレートに引きずられるのを防ぎ、多様な思考経路（Reasoning Paths）における方策（Policy）の汎化性能を向上させます。

【実装イメージ】

以下は、PyTorchおよびHugging Faceライブラリをベースとした、プロンプト拡張を伴うGRPOのデータサンプリングおよび報酬評価フェーズの最小限（Minimal）の実装コードです。

import torch
import random
from typing import List, Dict

class PromptAugmenter:
    """プロンプトに多様なスタイルや言語ルールを付与する拡張クラス"""
    def __init__(self):
        self.templates = [
            "Please solve the following problem step-by-step. Let's think step by step.\nProblem: {question}",
            "Analyze the problem carefully, write down your logical reasoning process clearly, and provide the final answer.\nProblem: {question}",
            "System: You are an elite mathematician. Solve this problem with rigorous logic.\nProblem: {question}",
            "Solve the following mathematical question. Output your inner monologue first, then the solution.\nProblem: {question}"
        ]

    def augment(self, question: str) -> str:
        template = random.choice(self.templates)
        return template.format(question=question)

def compute_group_advantages(rewards: torch.Tensor) -> torch.Tensor:
    """
    グループ内相対アドバンテージの計算 (GRPOのコア数理)
    rewards: [G] (グループサイズGの報酬テンソル)
    """
    mean = rewards.mean()
    std = rewards.std() + 1e-8
    return (rewards - mean) / std

# 擬似シミュレーション実行

if __name__ == "__main__":
    question = "If John has 3 apples and eats 1, how many are left?"
    augmenter = PromptAugmenter()

    # 1. プロンプトの動的拡張

    augmented_prompts = [augmenter.augment(question) for _ in range(4)]

    print("--- 拡張されたプロンプトの例 ---")
    for i, ap in enumerate(augmented_prompts):
        print(f"Sample {i+1}:\n{ap}\n{'-'*30}")

    # 2. 擬似的な報酬スコア（ルールベースチェッカーなどの評価結果を想定）


    # グループサイズ G = 4

    dummy_rewards = torch.tensor([1.0, 0.0, 1.0, 0.5])
    advantages = compute_group_advantages(dummy_rewards)

    print("\n--- 報酬と算出された相対アドバンテージ ---")
    for r, adv in zip(dummy_rewards.tolist(), advantages.tolist()):
        print(f"Reward: {r:.2f} -> Group Advantage: {adv:.4f}")

【実験結果と考察】

論文における数学的推論ベンチマーク（GSM8K、MATH）の検証では、通常のGRPOに対して、Prompt Augmentation（PA-GRPO）を適用したモデルは、収束速度および最終アキュラシー双方において優れた頑健性を示しました。

考察

1. 頑健性の寄与: 従来のGRPOは、特定のシステムプロンプトに最適化された「ハックされた回答形式（長すぎる無意味な思考トークンなど）」を出力することで報酬を最大化しようとします。しかし、プロンプトにブレ（動的拡張）を与えることで、モデルがそのような局所解（Local Minima）にトラップされるのを効果的に防いでいることが確認されました。

2. コストとレイテンシ: プロンプト拡張自体はテキスト変換処理であるため、計算オーバーヘッドは実質ゼロです。ただし、異なるプロンプトに起因して生成（Generation）ステップにおけるコンテキスト長（Context Length）がバラつくため、KVキャッシュの効率的なパディング管理（FlashAttentionのバリアント等）が必要になります。

【限界と今後の展望】

1. ドメイン依存性: 本手法の効果は、数式表現や論理ステップなど「多様な表現手法が本質的に存在する推論タスク」に依存しています。単一の正答フォーマットしか許容されないような厳密すぎるドメイン（例：JSON出力などの構造化生成）においては、プロンプトの拡張が評価器（Verifier）のパースエラーを誘発し、性能を低下させるリスクがあります。

2. 報酬ハッキングの根本的解決: プロンプトの多様化は「モデル側の過学習」を軽減しますが、報酬システム（特にLLM-as-a-Judgeやルールベースの正規表現抽出器）そのものの脆弱性への完全な対策には至っていません。今後のアプローチとして、動的な評価基準（Dynamic Reward Schema）を同様にブレンドする手法への拡張が期待されます。

参考文献

• [1] DeepSeek-AI. (2024). “DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models.” arXiv:2402.03300

• [2] Shao, Zhihong et al. (2024). “DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning.” arXiv:2501.12948