第三章：使用 DPO 进行偏好对齐

配套代码：dpotrainer.py

承上启下

在前两章中，我们学习了：

• 第一章：使用原生 Trainer 进行 SFT，理解了 Loss Masking 的核心概念
• 第二章：使用 SFTTrainer 简化流程，实现了自动化的 SFT 训练

通过 SFT，模型学会了：

• 按照指令格式回答问题
• 生成符合语法的响应
• 理解用户的意图

但是，SFT 有一个局限性：它只能让模型学习”如何回答”，却不能让模型学习”什么样的回答更好”。

本章将介绍 DPO（Direct Preference Optimization）——一种让模型学习人类偏好的训练方法！为了能够更好地理解 DPO 的数学理论，建议参考原文。下面的数学原理不会非常完整，仅做简单介绍。

本章学习目标

完成本章后，你将理解：

1. 偏好对齐 的概念和重要性
2. DPO 与传统 RLHF 的区别
3. 偏好数据集 的格式和构建
4. DPOTrainer 的使用方法
5. 参考模型 的作用和配置

1. 为什么需要偏好对齐？

1.1 SFT 的局限性

SFT 无法区分回答质量

用户提问： “如何提高编程效率？”

SFT 模型可能的回答 A（更好）：

提高编程效率可以通过以下方式：

1. 学习快捷键
2. 使用代码片段
3. 定期休息

SFT 模型可能的回答 B（较差）：

多写代码就行了。

问题： 两个回答语法都正确，但 A 明显更详细、更实用！SFT 无法区分回答的”质量”差异。

1.2 偏好对齐的目标

让模型学习：给定相同的问题，哪个回答更符合人类偏好？

偏好数据格式:
{
    "prompt": "如何提高编程效率？",
    "chosen": "提高编程效率可以通过以下方式：1. 学习快捷键...",   ← 更好的回答
    "rejected": "多写代码就行了。"                               ← 较差的回答
}

2. RLHF vs DPO

2.1 传统 RLHF (PPO) 流程

传统 RLHF (PPO) 流程

1. 收集偏好数据 → 人类标注者标记 chosen vs rejected
2. 训练奖励模型 → 用偏好数据训练rewarder模型，为了实现baseline保证梯度稳定，还需要构建一个value模型，从而导致大量的显存开销
3. PPO 优化策略 → 从策略模型采样，用奖励模型评分，更新策略

需要 4 个模型： 策略、参考、奖励、价值模型

问题：

• 流程复杂，需要多个模型
• 训练不稳定，需要大量调参
• 计算成本高（需要采样生成）

2.2 DPO：简化的偏好对齐

DPO 流程

1. 收集偏好数据 → 与 RLHF 相同
2. 直接优化策略 ← 关键创新！

只需 2 个模型： 策略 + 参考模型

优势：

• 流程简单，易于实现
• 训练稳定，无需复杂调参
• 计算效率高
• 代码逻辑接近 SFT，仍旧是去优化损失

2.3 数学原理（从直觉到公式）

2.3.1 RLHF 的核心目标

在传统 RLHF 中，我们的目标很简单：让模型更倾向于生成人类偏好的回答。

用数学语言说，对于一组偏好数据 $(x, y_w, y_l)$（其中 $y_w$ 是更好的回答，$y_l$ 是较差的回答），我们希望：

即：模型应该认为 chosen 回答比 rejected 回答更好。

2.3.2 传统 RLHF 的做法：训练奖励模型

为了实现这个目标，传统 RLHF 分两步：

第一步：训练奖励模型 $R(x, y)$

奖励模型的作用是给每个回答打分。我们用偏好数据训练它，使得：

第二步：用强化学习优化策略

使用 PPO 等算法，调整策略模型 $\pi_\theta$ 的参数，让它生成的回答能获得更高奖励：

问题：这需要训练一个独立的奖励模型，还要用复杂的强化学习算法，流程繁琐且不稳定。

2.3.3 DPO 的洞察：奖励函数可以解析表达

DPO 的核心发现是：如果我们知道了最优策略的奖励函数形式，就可以绕过奖励模型，直接优化策略！

关键定理：在 RLHF 设置下，最优策略的奖励函数可以表示为：

其中：

• $\pi^*(y \mid x)$ = 最优策略（我们想学到的策略）
• $\pi_{\text{ref}}(y \mid x)$ = 参考策略（SFT 后的模型，作为起点）
• $\beta$ = 温度参数，控制偏离程度
• $Z(x)$ = 归一化常数（与 $y$ 无关，优化时可忽略）

直觉理解：

这个公式告诉我们：奖励的大小取决于策略模型相对于参考模型的”偏好变化”。

• 如果 $\pi^*$ 相比 $\pi_{\text{ref}}$ 更倾向于生成某个回答 → 该回答的奖励高
• 如果 $\pi^*$ 相比 $\pi_{\text{ref}}$ 更不倾向于生成某个回答 → 该回答的奖励低

2.3.4 DPO 的优化目标

有了奖励函数的表达式，我们可以直接写出优化目标。

RLHF 的目标（用奖励模型）：

其中 $\sigma$ 是 sigmoid 函数。这个损失鼓励 $R(x, y_w) > R(x, y_l)$。

DPO 的目标（用策略模型）：

将奖励函数的表达式代入，消去 $Z(x)$，得到：

简化后：

这个损失的含义：

• 分子（我们想要的）：$\pi_\theta(y_w \mid x)$ 要大，$\pi_{\text{ref}}(y_l \mid x)$ 是基准
• 分母（我们要避免的）：$\pi_\theta(y_l \mid x)$ 要小，$\pi_{\text{ref}}(y_w \mid x)$ 是基准

训练时，我们通过梯度上升最大化这个损失，使得：

• $\pi_\theta(y_w \mid x)$ 相比参考模型上升 → 模型更倾向于生成 chosen 回答
• $\pi_\theta(y_l \mid x)$ 相比参考模型下降 → 模型更不倾向于生成 rejected 回答

2.3.5 为什么需要参考模型？

你可能会问：为什么不能直接最大化 $\pi_\theta(y_w \mid x)$，最小化 $\pi_\theta(y_l \mid x)$？

问题：这样会导致模型崩溃（Mode Collapse）

如果没有参考模型约束，模型可能学会：

• 对 chosen 回答输出极高概率（接近 1）
• 对 rejected 回答输出极低概率（接近 0）

但这会让模型：

• 忘记 SFT 阶段学到的知识
• 生成奇怪、不自然的回答
• 失去泛化能力

参考模型的作用：

$\pi_{\text{ref}}$ 就像一个”锚点”，确保：

• $\pi_\theta$ 不能随意偏离原始模型
• 只在偏好对齐的方向上调整
• 保持模型的语言能力和稳定性

数学上，这通过 KL 散度正则化实现：

DPO 的损失函数中已经隐式包含了 KL 约束（通过 $\beta$ 参数控制）。

2.3.6 总结：DPO vs RLHF

核心优势：DPO 将强化学习问题转化为了监督学习问题，不需要训练奖励模型，不需要复杂的 RL 算法，代码实现接近 SFT！

3. 偏好数据集格式

3.1 标准格式

# 格式1: 简单格式
{
    "prompt": "The sky is",
    "chosen": " blue.",
    "rejected": " green."
}

# 格式2: 对话格式
{
    "prompt": [{"role": "user", "content": "What color is the sky?"}],
    "chosen": [{"role": "assistant", "content": "It is blue."}],
    "rejected": [{"role": "assistant", "content": "It is green."}]
}

3.2 常用偏好数据集

3.3 自建偏好数据集

# 偏好数据的构建方式：
# 1. 人类标注：让标注者选择更好的回答
# 2. AI 辅助：用强模型（如 GPT-4）判断偏好
# 3. 启发式规则：如选择更长/更详细的回答

preference_data = {
    "prompt": "解释什么是机器学习？",
    "chosen": "机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习和改进，而无需进行明确的编程。主要类型包括：监督学习、无监督学习和强化学习...",
    "rejected": "就是让机器学东西。"
}

4. DPOTrainer 使用指南

4.1 基本配置

from trl import DPOConfig, DPOTrainer

# DPO 配置
training_args = DPOConfig(
    output_dir="./dpo-output",
    
    # DPO 核心参数
    beta=0.1,  # [重要] KL 正则化强度
    loss_type="sigmoid",  # 损失函数类型
    
    # 训练参数
    num_train_epochs=1,  # DPO 通常只需 1-3 个 epoch
    per_device_train_batch_size=4,
    learning_rate=5e-7,  # DPO 通常用更小的学习率
    
    # 其他
    gradient_checkpointing=True,
    bf16=True,
)

4.2 关键参数：beta

beta 是 DPO 最重要的超参数：

beta 的作用：控制模型偏离参考模型的程度

beta 大 (如 0.5):
  └─→ 模型更保守，不敢偏离参考模型太远
  └─→ 适用于：偏好数据噪声较大时

beta 小 (如 0.05):
  └─→ 模型更激进，可能偏离参考模型较远
  └─→ 适用于：偏好数据质量高时

推荐起始值: 0.1
调整范围: 0.05 - 0.5

4.3 损失函数类型

DPO的核心就在于如何将强化学习对齐转换为简单的损失函数优化，因此有很多衍生形式，就通过这里进行选择。

loss_type = "sigmoid"  # 默认，标准 DPO

# 其他可选值：
# "hinge"    - 来自 RSO 论文
# "ipo"      - 来自 IPO 论文，解决过拟合
# "robust"   - 鲁棒 DPO，处理噪声标签

4.4 创建 DPOTrainer

from trl import DPOTrainer
from datasets import load_dataset

# 加载偏好数据集
dataset = load_dataset("trl-lib/ultrafeedback_binarized")

# 创建 DPOTrainer
trainer = DPOTrainer(
    model=model,                    # 策略模型
    ref_model=None,                 # 参考模型（None 则自动创建）
    args=training_args,             # DPO 配置
    train_dataset=dataset["train"],
    processing_class=tokenizer,     # 分词器
    peft_config=lora_config,        # LoRA 配置
)

# 开始训练
trainer.train()

5. 参考模型的处理

5.1 参考模型的作用

DPO 需要两个模型：

• 策略模型
  • 我们要训练的模型
  • 参数会被更新
• 参考模型
  • 用于计算 KL 散度正则化
  • 通常是 SFT 后的模型副本
  • 参数冻结，不更新

5.2 三种参考模型策略

flowchart TB
    subgraph Strategies["参考模型配置策略"]
        direction TB

        subgraph S1["策略1: 自动创建 推荐"]
            S1_Code["ref_model = None"]
            S1_F1["→ DPOTrainer 自动创建参考模型副本"]
            S1_F2["→ 使用 PEFT 时，会卸载适配器进行参考推理"]
            S1_F3["→ 最省显存"]

            S1_Code --> S1_F1
            S1_F1 --> S1_F2
            S1_F2 --> S1_F3
        end

        subgraph S2["策略2: 手动创建"]
            S2_Code["ref_model = AutoModelForCausalLM.from_pretrained(...)"]
            S2_F1["→ 完全独立的模型副本"]
            S2_F2["→ 显存占用翻倍"]

            S2_Code --> S2_F1
            S2_F1 --> S2_F2
        end

        subgraph S3["策略3: 适配器切换 (使用 PEFT 时)"]
            S3_F1["→ 同一个基础模型加载两个适配器"]
            S3_F2["→ 训练时切换适配器"]
            S3_F3["→ 显存占用较低"]

            S3_F1 --> S3_F2
            S3_F2 --> S3_F3
        end

        S1 -.-> S2
        S2 -.-> S3
    end

5.3 代码示例

# 策略1: 自动创建（推荐）
trainer = DPOTrainer(
    model=model,
    ref_model=None,  # ← 自动处理
    ...
)

# 策略2: 手动创建
ref_model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-8B",
    dtype=torch.bfloat16,
    device_map="auto",
)
ref_model.eval()  # 冻结

trainer = DPOTrainer(
    model=model,
    ref_model=ref_model,
    ...
)

6. 训练监控指标

6.1 关键指标

6.2 监控示例

训练日志:
  Step 100: rewards/margins = 0.5, rewards/accuracies = 0.65
  Step 200: rewards/margins = 1.2, rewards/accuracies = 0.78
  Step 300: rewards/margins = 2.0, rewards/accuracies = 0.89
  ...
  
分析:
  margins 在上升 → 模型学会区分 chosen 和 rejected
  accuracies 接近 1.0 → 模型几乎总能正确排序偏好

7. DPO 与 SFT 的训练流程对比

完整训练流程对比

重要： DPO 应该在 SFT 之后进行！

8. 运行代码

8.1 配置参数

在 dpotrainer.py 中可以修改：

MODEL_NAME = "Qwen/Qwen3-8B"  # 模型
DATASET_NAME = "trl-lib/ultrafeedback_binarized"  # 偏好数据集
BETA = 0.1  # KL 正则化强度
MAX_LENGTH = 2048  # 最大序列长度

8.2 运行训练

python dpotrainer.py

8.3 评估训练效果

训练后，观察：

1. rewards/margins 是否在上升
2. rewards/accuracies 是否接近 1.0
3. 生成测试：模型回答是否更符合预期

9. 本章小结

10. DPO 的局限性与展望

10.1 DPO 的局限性

依赖离线数据

• 只能使用预先收集的偏好数据
• 无法在线探索和学习

奖励函数隐式化

• DPO 将奖励函数通过数学变换隐藏了
• 无法直接控制奖励信号
• 难以实现复杂的奖励设计

只适用于偏好对齐

• 无法处理需要明确奖励信号的任务
• 如：数学推理、代码生成等需要可验证正确性的任务

10.2 下一步：GRPO 和可验证奖励

问题：如果我们的任务有明确的正确/错误判断（如数学题），能否设计更好的奖励？

答案：可以！这就是 GRPO 等高级 RL 方法的用武之地。

附录：常见问题

Q: DPO 训练后模型变差了？
A: 1) 检查 beta 值，可能太小导致过度偏离 2) 检查偏好数据质量 3) 减少训练 epochs

Q: rewards/accuracies 一直不提升？
A: 1) 检查数据格式是否正确 2) 尝试增大学习率 3) 确保 chosen 确实比 rejected 好

Q: 显存不够怎么办？
A: 1) 使用 ref_model=None 让 DPOTrainer 自动处理 2) 减小 batch_size 3) 启用 gradient_checkpointing

参考资料

• TRL 文档：DPOTrainer
• DPO 论文：Direct Preference Optimization: Your Language Model is Secretly a Reward Model
• InstructGPT 论文：Training language models to follow instructions with human feedback
• TRL