大模型训练新范式：从RLHF到DPO的简化之路（值得收藏）

本文详细介绍了大模型对齐技术从RLHF到DPO的演进过程。首先解释了RLHF的三阶段训练方法及其使用PPO算法的挑战，包括训练不稳定和成本高。随后，介绍了DPO如何从理论上消除奖励模型和强化学习环节，直接通过二元偏好数据优化模型。文章还提供了DPO的数学推导、代码实现和实际训练案例，以及相关扩展算法，为工程师提供了一种更高效的大模型对齐方法。

模型优化师

309人浏览 · 2026-02-03 13:24:52

模型优化师 · 2026-02-03 13:24:52 发布

虽然大规模无监督语言模型能够学习广泛的世界知识，并拥有一些推理能力，但由于其训练的完全无监督性质，精确控制其行为是相对来说还是很困难的。而要想去实现这种精准控制，可以使用人类反馈强化学习，其简称为RLHF：是通过收集高质量的人工打标签的数据，并使用无监督微调训练来进行偏好一致对齐。然而强化学习是一个复杂且不稳定的训练过程，其过程表现为：首先我们要先拟合一个反映人类偏好的奖励模型，然后使用强化学习对大规模无监督LM进行微调，以最大化这个估计的奖励，同时又不偏离原始模型太远(RLHF原理)，具体第二张下图所示，展示了RLHF的训练步骤或者说是阶段吧。

既然有了PPO，为啥还要有DPO呢？（既生瑜何生亮）可以看下图，答案不着急，后面也会讲解PPO以及其劣势，从而引出DPO的存在。

强化学习(RLHF)

openai在InstructGPT的技术报告指出：ChatGPT使用RLHF的 "三步走"策略，即：监督微调(SFT)、偏好采样和奖励学习(RM)、强化学习(PPO)，对应了上图中三个训练阶段，现在我们来对这三个简单讲解下。

监督微调(SFT): 首先在下游感兴趣的任务使用高质量数据（对话、摘要等）和监督学习对预训练的 LM 进行微调，以获得一个模型(sft模型) 。

偏好采样和奖励学习(RM): 使用提示词方法，来生成偏好数据对(注意：第一阶段微调后的sft模型），那什么是偏好数据对呢？可以看这个数据示例。对数据格式感兴趣可以看我这篇：揭秘大模型训练数据的真实面貌：这篇文章值得一看

{
"conversations": [
{
"from": "human", #人类指令
"value": "老虎会吃哪一个，草还是树叶？"
}
],
"chosen": {
"from": "gpt", #优质回答
"value": "我很高兴能帮助你解答问题！不过，我必须指出，这个问题本身可能没有意义。老虎是食肉动物，通常不吃草或树叶。它们的饮食主要包括大型有蹄动物、小型哺乳动物和鸟类。\n\n如果你提出这个问题是出于好奇或有特定原因，我很乐意帮助你找到更多关于老虎饮食习惯的信息，或者建议资源让你更多了解这些壮丽的生物。请告诉我如何进一步协助你！"
},
"rejected": {
"from": "gpt", # 劣质回答
"value": "一只老虎是食肉动物，这意味着它的饮食主要是肉类。老虎主要猎捕和吃其他动物，如鹿和野猪。它们不会选择吃草或树叶，因为这些不是它们自然饮食的一部分。"
}
}

强化学习(PPO)：RLHF训练过程主要有四个模型参与，分别是Actor Model 、Reference Model、Reward Model、Critic Model，他们在整个过程的角色如下：

Actor Model（动作模型）：需要优化的语言模型，负责生成实际的文本回答，参数会在训练过程中不断更新。

Reference Model（参考模型）：Actor Model 的初始副本，参数固定不变，用于计算 KL 散度，防止 Actor 与初始模型偏离太远。

Reward Model（奖励模型）：经过人类偏好训练的评分模型，为 Actor 生成的文本提供奖励信号，指导 Actor 向更好的方向优化。

Critic Model（评论模型）：估计价值函数，预测动作的长期收益，帮助 PPO 算法更好地优化 Actor。

四个模型之前具体的协作，这里就不做详细介绍，毕竟写的是DPO详解啊。

都知道PPO很好，为啥还要出来DPO呢？这是因为很多工程人员发现PPO很难训练，总结具体如下：

（1）奖励模型RM的准确率较低，在现有的偏好数据上只能训到70%～80%。这一方面是因为人类偏好较难拟合，另一方面是因为奖励模型一般较小，过大的奖励模型会引起PPO阶段训练的崩溃；

（2）PPO训练不稳定，相同的参数和数据也有可能出现不一样的结果；

（3）PPO阶段训练成本大。这是因为策略模型的更新依赖于奖励模型的显式反馈，所以每个训练step耗时长、GPU消耗大。

说白了就是PPO很难训练，并且消耗很大，看看上面的图就知道，四个模型都要参与，这谁顶得住啊？

正因为这些原因，斯坦福大学研究者提出了DPO，从理论上消除了奖励模型RM和与之相关的RL环节，直接采用二元偏好数据对LLMs进行参数更新。

DPO理论理解

之前我们说使用sft模型来生成偏好数据对，然后RM模型来进行评分并给出对应的奖励，让actor model来自适应调整。而DPO就是从理论来消除RM模型的存在，咱们就从Bradley-Terry模型开始(因为论文也是从这个模型开始的，哈哈)，BT模型规定了人类偏好分布可以表示为：

看着是不是好像也挺简单的，其实这个式子还可以简化。针对静态数据集D，上面的奖励模型通过对数极大似然估计可以表示为：

数据集：

对数似然估计损失表示：

是的，通用损失函数数学表达式其实已经出来了，但是DPO其实是PPO的一个简化版，所以需要从PPO的损失来简化(DPO其实就是PPO的钙化版、或者说是简化版)，直到推导出DPO的损失函数表达式

所以针对用于PPO的损失，上式可以优化为：

针对PPO而言，KL散度很重要，这是为啥？因为KL散度就表示Reference Model(参考模型) 和自己训练的Actor Model 有没有跑偏。大白话就是：这个训练就是让actor model训练，但是我也要拽着你，不然你偏离 reference model太远，如果太远，就训飞了。

因此针对KL散度优化，上面的式子可以进行推导为：

进一步简化：

其中Z(x)表示为：

然后经过一顿数学操作和优化：

得到了最后的loss：

其中，πθ 是正在训练的模型；πref 是参考模型（通常是 SFT 模型）；yw 是首选（获胜）的答案；yl 是被拒绝（输掉）的反应；β 是控制优化强度的温度参数；σ 是 sigmoid函数。

一开始看这些式子是不是挺容易的，但是后面的数学变换和优化操作下来，看懵了，但是不要紧，你就记住最后这个式子就行，因为DPO的损失优化就是通过这个式子来的。

DPO代码片段

损失函数代码：

def preference_loss(policy_chosen_logps: torch.FloatTensor,
policy_rejected_logps: torch.FloatTensor,
reference_chosen_logps: torch.FloatTensor,
reference_rejected_logps: torch.FloatTensor,
beta: float,
label_smoothing: float = 0.0,
ipo: bool = False,
reference_free: bool = False) -> Tuple[torch.FloatTensor, torch.FloatTensor, torch.FloatTensor]:
"""Compute the DPO loss for a batch of policy and reference model log probabilities.
Args:
policy_chosen_logps: Log probabilities of the policy model for the chosen responses. Shape: (batch_size,)
policy_rejected_logps: Log probabilities of the policy model for the rejected responses. Shape: (batch_size,)
reference_chosen_logps: Log probabilities of the reference model for the chosen responses. Shape: (batch_size,)
reference_rejected_logps: Log probabilities of the reference model for the rejected responses. Shape: (batch_size,)
beta: Temperature parameter for the DPO loss, typically something in the range of 0.1 to 0.5. We ignore the reference model as beta -> 0.
label_smoothing: conservativeness for DPO loss, which assumes that preferences are noisy (flipped with probability label_smoothing)
ipo: If True, use the IPO loss instead of the DPO loss.
reference_free: If True, we ignore the _provided_ reference model and implicitly use a reference model that assigns equal probability to all responses.
Returns:
A tuple of three tensors: (losses, chosen_rewards, rejected_rewards).
The losses tensor contains the DPO loss for each example in the batch.
The chosen_rewards and rejected_rewards tensors contain the rewards for the chosen and rejected responses, respectively.
"""
pi_logratios = policy_chosen_logps - policy_rejected_logps
ref_logratios = reference_chosen_logps - reference_rejected_logps
if reference_free:
ref_logratios = 0
logits = pi_logratios - ref_logratios  # also known as h_{\pi_\theta}^{y_w,y_l}
if ipo:
losses = (logits - 1/(2 * beta)) ** 2  # Eq. 17 of https://arxiv.org/pdf/2310.12036v2.pdf
else:
# Eq. 3 https://ericmitchell.ai/cdpo.pdf; label_smoothing=0 gives original DPO (Eq. 7 of https://arxiv.org/pdf/2305.18290.pdf)
losses = -F.logsigmoid(beta * logits) * (1 - label_smoothing) - F.logsigmoid(-beta * logits) * label_smoothing
chosen_rewards = beta * (policy_chosen_logps - reference_chosen_logps).detach()
rejected_rewards = beta * (policy_rejected_logps - reference_rejected_logps).detach()
return losses, chosen_rewards, rejected_rewards

可以看看第26、27、32、35行，这几行都是DPO核心，也完全按照这篇DPO论文来实现的。为了方便整合在一起看就是：

losses = (((policy_chosen_logps - policy_rejected_logps) - (reference_chosen_logps - reference_rejected_logps)) - 1/(2 * beta)) ** 2

DPO训练案例

下列代码使用了TRL库来进行微调训练，方式也比较简单，目的就是打造人人可学大模型，哈哈。

from trl import DPOConfig, DPOTrainer
from transformers import AutoModelForCausalLM, AutoTokenizer
from datasets import load_dataset
# 加载 model and tokenizer
model = AutoModelForCausalLM.from_pretrained("HuggingFaceTB/SmolLM3-3B")
tokenizer = AutoTokenizer.from_pretrained("HuggingFaceTB/SmolLM3-3B")
# 配置 DPO training
training_args = DPOConfig(
beta=0.1,                    # Temperature parameter
learning_rate=5e-7,          # Lower LR for stability
max_prompt_length=512,       # Maximum prompt length
max_length=1024,             # Maximum total length
per_device_train_batch_size=4,
gradient_accumulation_steps=4,
num_train_epochs=1,
)
# 加载数据集
preference_dataset = load_dataset("argilla/ultrafeedback-binarized", split="train_prefs")
# 初始化DPO
trainer = DPOTrainer(
model=model,
args=training_args,
train_dataset=preference_dataset,
processing_class=tokenizer,
)
# 训练
trainer.train()

这一套是完全可以使用的，如果你有自己的数据集，只需要将数据集改成自己的数据集即可。

当然DPO现在也有很多扩展算法,这些算法都是去优化或改进loss目标函数:

IPO (Identity Preference Optimization)

KTO：Kahneman-Tversky Optimization

RSO：Rejection Sampling Optimization

SamPO：Down-Sampled DPO

参考：

https://github.com/eric-mitchell/direct-preference-optimization/blob/main/trainers.py

https://huggingfae.co/learn/smol-course/unit2/2

https://arxiv.org/html/2305.18290v3#A2

https://zhuanlan.zhihu.com/p/642569664

https://huggingface.co/blog/Junrulu/dpo-and-variants