概述
直接偏好优化（DPO）是一种使语言模型与人类偏好保持一致的方法，无需训练单独的奖励模型或运行强化学习。它将复杂的多级管道分解为单个稳定的训练损失。
直接偏好优化是语言人工智能堆栈的一部分，用于大规模阅读、生成、分类和转换文本和语音。
深入探讨
Rafailov 和斯坦福大学的同事于 2023 年推出的 DPO 重新思考了我们如何教授人们喜欢的模型。传统方法（RLHF）根据人类比较训练奖励模型，然后使用强化学习来最大化奖励。 DPO 的关键见解是数学上的：RLHF 目标下的最优策略与奖励具有封闭形式的关系，因此您可以重新排列方程并直接在偏好对上优化语言模型。你给它一个提示、一个“选择”（首选）响应和一个“拒绝”响应，一个简单的分类式损失会推动模型，使所选答案相对更有可能。没有奖励模型，没有采样循环，没有奖励黑客。运行起来更简单、更稳定。
技术洞察
DPO 对偏好对使用二元交叉熵损失。它增加了所选响应相对于被拒绝响应的对数概率比，每个响应都是针对冻结的参考模型（通常是监督微调的起点）进行测量的。温度参数 beta 控制策略可能偏离该参考值的程度，隐式强制执行 RLHF 显式应用的 KL 约束。回报永远不会实现；它隐含在策略自身的对数概率中。
掌握直接偏好优化
直接偏好优化（DPO）是一种使语言模型与人类偏好保持一致的方法，无需训练单独的奖励模型或运行强化学习。它将复杂的多级管道分解为单个稳定的训练损失。直接偏好优化是语言人工智能堆栈的一部分，用于大规模阅读、生成、分类和转换文本和语音。为了建立深入的理解，请将直接偏好优化视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，使用直接偏好优化的强大团队将提示、检索和审查循环设计为一个集成的通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
微调开放权重聊天模型，例如 Zephyr 以及许多 Llama 和 Mistral 衍生品，这些模型与偏好数据集上的 DPO 保持一致
使用配对减少有害或无益的输出，其中“选择”安全、有用的答案而不是有问题的答案
使用开发人员评分的比较，教导编码助理更喜欢正确的、有详细记录的解决方案，而不是有缺陷的解决方案
调整摘要风格，使模型更喜欢简洁、忠实的摘要，而不是冗长或幻觉的摘要
实施模式
实践中的直接偏好优化
微调开放权重聊天模型，例如 Zephyr 以及许多 Llama 和 Mistral 衍生品，这些模型与偏好数据集上的 DPO 保持一致。
微调开放权重聊天模型，如 Zephyr 以及许多 Llama 和 Mistral 衍生品，这些模型与偏好数据集上的 DPO 保持一致。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
实践中的直接偏好优化
使用配对来减少有害或无益的输出，其中“选择”安全、有用的答案而不是有问题的答案。
使用对来减少有害或无益的输出，其中“选择”安全、有用的答案而不是有问题的答案。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的直接偏好优化
使用开发人员评级的比较，教导编码助理更喜欢正确的、有详细记录的解决方案，而不是有缺陷的解决方案。
使用开发人员评级的比较来教导编码助理选择正确的、有详细记录的解决方案，而不是有缺陷的解决方案当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的直接偏好优化
调整摘要风格，使模型更喜欢简洁、忠实的摘要，而不是冗长或幻觉的摘要。
调整摘要风格，使模型更喜欢简洁、忠实的摘要，而不是冗长或幻觉的摘要。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。