概述
直接偏好最佳化（DPO）是一種使語言模型與人類偏好保持一致的方法，無需訓練單獨的獎勵模型或運行強化學習。它將複雜的多級管道分解為單一穩定的訓練損失。
直接偏好優化是語言人工智慧堆疊的一部分，用於大規模閱讀、生成、分類和轉換文字和語音。
深入探討
Rafailov 和史丹佛大學的同事於 2023 年推出的 DPO 重新思考了我們如何教導人們喜歡的模式。傳統方法（RLHF）根據人類比較訓練獎勵模型，然後使用強化學習來最大化獎勵。 DPO 的關鍵見解是數學上的：RLHF 目標下的最優策略與獎勵具有封閉形式的關係，因此您可以重新排列方程式並直接在偏好對上優化語言模型。你給它一個提示、一個「選擇」（首選）回應和一個「拒絕」回應，一個簡單的分類式損失會推動模型，使所選答案相對更有可能。沒有獎勵模型，沒有採樣循環，沒有獎勵黑客。運作起來更簡單、更穩定。
技術洞察
DPO 對偏好對使用二元交叉熵損失。它增加了所選響應相對於被拒絕響應的對數機率比，每個響應都是針對凍結的參考模型（通常是監督微調的起點）進行測量的。溫度參數 beta 控制策略可能偏離此參考值的程度，隱性強制執行 RLHF 明確應用的 KL 約束。回報永遠不會實現；它隱含在策略本身的對數機率中。
掌握直接偏好優化
直接偏好最佳化（DPO）是一種使語言模型與人類偏好保持一致的方法，無需訓練單獨的獎勵模型或運行強化學習。它將複雜的多級管道分解為單一穩定的訓練損失。直接偏好優化是語言人工智慧堆疊的一部分，用於大規模閱讀、生成、分類和轉換文字和語音。為了建立深入的理解，請將直接偏好最佳化視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，使用直接偏好優化的強大團隊將提示、檢索和審查循環設計為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
微調開放權重聊天模型，例如 Zephyr 以及許多 Llama 和 Mistral 衍生品，這些模型與偏好資料集上的 DPO 保持一致
使用配對減少有害或無益的輸出，其中「選擇」安全、有用的答案而不是有問題的答案
使用開發人員評分的比較，教導編碼助理更喜歡正確的、有詳細記錄的解決方案，而不是有缺陷的解決方案
調整摘要風格，使模型更喜歡簡潔、忠實的摘要，而不是冗長或幻覺的摘要
實施模式
實踐中的直接偏好優化
微調開放權重聊天模型，例如 Zephyr 以及許多 Llama 和 Mistral 衍生品，這些模型與偏好資料集上的 DPO 保持一致。
微調開放權重聊天模型，如 Zephyr 以及許多 Llama 和 Mistral 衍生品，這些模型與偏好資料集上的 DPO 保持一致。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的直接偏好優化
使用配對來減少有害或無益的輸出，其中「選擇」安全、有用的答案而不是有問題的答案。
使用對來減少有害或無益的輸出，其中「選擇」安全、有用的答案而不是有問題的答案。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
實踐中的直接偏好優化
使用開發人員評級的比較，教導編碼助理更喜歡正確的、有詳細記錄的解決方案，而不是有缺陷的解決方案。
使用開發人員評級的比較來教導編碼助理選擇正確的、有詳細記錄的解決方案，而不是有缺陷的解決方案當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
實踐中的直接偏好優化
調整摘要風格，使模型更喜歡簡潔、忠實的摘要，而不是冗長或幻覺的摘要。
調整摘要風格，使模型更喜歡簡潔、忠實的摘要，而不是冗長或幻覺的摘要。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。