深入理解DPO（Direct Preference Optimization）算法

标签：frac log text Direct Optimization Preference theta pi ref

1. 什么是DPO？

直接偏好优化（Direct Preference Optimization, DPO）是一种不需要强化学习的对齐算法。由于去除了复杂的强化学习算法，DPO 可以通过与有监督微调（SFT）相似的复杂度实现模型对齐，不再需要在训练过程中针对大语言模型进行采样，同时超参数的选择更加容易。

2. Bradley-Terry模型

Bradley-Terry模型对比较关系进行建模，设 A A A 的实力为 λ 1 \lambda_1 λ1， B B B 的实力为 λ 2 \lambda_2 λ2，那么 A A A 和 B B B 对战， A A A 战胜 B B B 的概率为：

P ( A > B ) = e λ 1 e λ 1 + e λ 2 = α 1 α 1 + α 2 , α 1 ≜ e λ 1 , α 2 ≜ e λ 2 P(A>B)=\frac{e^{\lambda_1}}{e^{\lambda_1}+e^{\lambda_2}}=\frac{\alpha_1}{\alpha_1+\alpha_2},\quad \alpha_1\triangleq e^{\lambda_1},\quad \alpha_2\triangleq e^{\lambda_2} P(A>B)=eλ1+eλ2eλ1=α1+α2α1,α1≜eλ1,α2≜eλ2

因为无法保证 λ 1 , λ 2 \lambda_1,\lambda_2 λ1,λ2 一定大于0，所以需要用softmax函数处理一下。

举一个例子，假设有如下的胜负表：

对战	胜	负
A vs B	8	4
A vs C	3	5

若要求 B B B 战胜 C C C 的概率，我们需要知道 α 2 , α 3 \alpha_2,\alpha_3 α2,α3 的值。首先可以得到似然函数：

L = ( α 1 α 1 + α 2 ) 8 ( α 2 α 1 + α 2 ) 4 ( α 1 α 1 + α 3 ) 3 ( α 3 α 1 + α 3 ) 5 L=\left(\frac{\alpha_1}{\alpha_1+\alpha_2}\right)^8 \left(\frac{\alpha_2}{\alpha_1+\alpha_2}\right)^4 \left(\frac{\alpha_1}{\alpha_1+\alpha_3}\right)^3 \left(\frac{\alpha_3}{\alpha_1+\alpha_3}\right)^5 L=(α1+α2α1)8(α1+α2α2)4(α1+α3α1)3(α1+α3α3)5

对对数似然函数求偏导可以得到 α 2 = 1 2 α 1 , α 3 = 5 3 α 1 \alpha_2=\frac12\alpha_1,\,\alpha_3=\frac53\alpha_1 α2=21α1,α3=35α1。于是

P ( B > C ) = α 2 α 2 + α 3 = 1 2 1 2 + 5 3 = 3 13 P(B>C)=\frac{\alpha_2}{\alpha_2+\alpha_3}=\frac{\frac12}{\frac12+\frac53}=\frac{3}{13} P(B>C)=α2+α3α2=21+3521=133

2.1 奖励模型的训练

奖励模型的训练涉及到正例 ( x , y + ) (x,y^+) (x,y+) 和负例 ( x , y − ) (x,y^-) (x,y−)，其中 x x x 是prompt， y y y 是response。由于 r ( x , y ) r(x,y) r(x,y) 可能是负数，因此在使用Bradley-Terry建模时，需要预先过一下softmax：

P ( y + > y − ∣ x ) = exp ⁡ ( r ( x , y + ) ) exp ⁡ ( r ( x , y + ) ) + exp ⁡ ( r ( x , y − ) ) = 1 1 + exp ⁡ ( r ( x , y − ) − r ( x , y + ) ) = σ ( r ( x , y + ) − r ( x , y − ) ) \begin{aligned} P(y^+>y^-|x)&=\frac{\exp (r(x,y^+))}{\exp (r(x,y^+))+\exp (r(x,y^-))}=\frac{1}{1+\exp(r(x,y^-)- r(x,y^+))} \\ &=\sigma (r(x,y^+)-r(x,y^-)) \end{aligned} P(y+>y−∣x)=exp(r(x,y+))+exp(r(x,y−))exp(r(x,y+))=1+exp(r(x,y−)−r(x,y+))1=σ(r(x,y+)−r(x,y−))

其中 σ ( x ) = 1 1 + e − x \sigma(x)=\frac{1}{1+e^{-x}} σ(x)=1+e−x1 是Sigmoid函数。训练奖励模型实际上就是最大化 P ( y + > y − ∣ x ) P(y^+>y^-|x) P(y+>y−∣x) 的过程，这等价于最小化 − log ⁡ P ( y + > y − ∣ x ) -\log P(y^+>y^-|x) −logP(y+>y−∣x)，因此可以得到奖励模型训练的损失函数：

L RM = − E ( x , y + , y − ) ∼ D [ log ⁡ σ ( r ( x , y + ) − r ( x , y − ) ) ] \mathcal{L}_{\text{RM}} =-\mathbb{E}_{(x,y^+,y^-)\sim \mathcal{D}} [\,\log\sigma(r(x,y^+)-r(x,y^-))] LRM=−E(x,y+,y−)∼D[logσ(r(x,y+)−r(x,y−))]

这一过程实际上是对比学习，奖励模型需要学习在提升正例分数的同时，进一步降低负例的分数，以最大化正例和负例之间的分数差异。

3. 从PPO到DPO

传统的RLHF算法需要先在人类偏好数据上训练一个奖励模型，然后再使用这个奖励模型和相关的强化学习算法（如PPO）去指导LLM进一步学习，但这种做法有如下弊端：

奖励建模的过程较为复杂，需要额外的计算开销。
强化学习流程复杂，过程不稳定，且对超参数敏感。

DPO可以直接让策略模型在人类偏好数据上学习，省去了构建奖励模型和进行强化学习的步骤，故得名直接偏好优化（Direct Preference Optimization）。

我们先来看使用KL散度作为正则项的PPO算法，为了推导更为简便，我们可以将优化目标重写为下式：

max ⁡ π θ E x ∼ D , y ∼ π θ [ r ( x , y ) ] − β KL [ π θ ( y ∣ x ) ∥ π ref ( y ∣ x ) ] \max_{\pi_{\theta}} \mathbb{E}_{x\sim D,y\sim \pi_{\theta}} [r(x,y)]-\beta \text{KL} [\pi_{\theta}(y|x) \,\|\, \pi_{\text{ref}}(y|x)] πθmaxEx∼D,y∼πθ[r(x,y)]−βKL[πθ(y∣x)∥πref(y∣x)]

其中 r ( x , y ) r(x,y) r(x,y) 是奖励函数， π θ \pi_{\theta} πθ 是策略模型（待训练的模型）， π ref \pi_{\text{ref}} πref 是参考模型（冻结），两者均从SFT模型初始化得来。在RLHF阶段，我们一方面需要最大化奖励，一方面又不能让策略模型偏离参考模型太远。

注意到 P ( y + > y − ∣ x ) P(y^+>y^-|x) P(y+>y−∣x) 仅跟 r ( x , y ) r(x,y) r(x,y) 有关，如果我们能够找到 π θ \pi_{\theta} πθ 和 r ( x , y ) r(x,y) r(x,y) 之间的关系，我们就能用 π θ \pi_{\theta} πθ 去表示 P ( y + > y − ∣ x ) P(y^+>y^-|x) P(y+>y−∣x)，进而就能规避奖励建模的过程。这样一来，LLM就能够通过与强化学习等价的形式学习到人类的价值观和偏好。

考虑对PPO的优化目标进行变换：

max ⁡ π θ E x ∼ D , y ∼ π θ [ r ( x , y ) ] − β KL [ π θ ( y ∣ x ) ∥ π ref ( y ∣ x ) ] = max ⁡ π θ E x ∼ D E y ∼ π θ ( y ∣ x ) [ r ( x , y ) − β log ⁡ π θ ( y ∣ x ) π ref ( y ∣ x ) ] = min ⁡ π θ E x ∼ D E y ∼ π θ ( y ∣ x ) [ log ⁡ π θ ( y ∣ x ) π ref ( y ∣ x ) − 1 β r ( x , y ) ] = min ⁡ π θ E x ∼ D E y ∼ π θ ( y ∣ x ) [ log ⁡ π θ ( y ∣ x ) π ref ( y ∣ x ) + log ⁡ 1 exp ⁡ ( 1 β r ( x , y ) ) + log ⁡ 1 1 Z ( x ) − log ⁡ Z ( x ) ] = min ⁡ π θ E x ∼ D E y ∼ π θ ( y ∣ x ) [ log ⁡ π θ ( y ∣ x ) 1 Z ( x ) π ref ( y ∣ x ) exp ⁡ ( 1 β r ( x , y ) ) − log ⁡ Z ( x ) ] \begin{aligned} &\max_{\pi_{\theta}} \mathbb{E}_{x\sim D,y\sim \pi_{\theta}} [r(x,y)]-\beta \text{KL} [\pi_{\theta}(y|x) \,\|\, \pi_{\text{ref}}(y|x)] \\ =&\max_{\pi_{\theta}} \mathbb{E}_{x\sim D} \mathbb{E}_{y\sim \pi_{\theta}(y|x)}\left[ r(x,y)-\beta\log\frac{\pi_{\theta}(y|x)}{\pi_{\text{ref}}(y|x)}\right] \\ =&\min_{\pi_{\theta}} \mathbb{E}_{x\sim D} \mathbb{E}_{y\sim \pi_{\theta}(y|x)}\left[ \log\frac{\pi_{\theta}(y|x)}{\pi_{\text{ref}}(y|x)}-\frac{1}{\beta}r(x,y)\right] \\ =&\min_{\pi_{\theta}} \mathbb{E}_{x\sim D} \mathbb{E}_{y\sim \pi_{\theta}(y|x)}\left[ \log\frac{\pi_{\theta}(y|x)}{\pi_{\text{ref}}(y|x)}+\log\frac{1}{\exp(\frac{1}{\beta}r(x,y))}+\log\frac{1}{\frac{1}{Z(x)}}-\log Z(x)\right] \\ =&\min_{\pi_{\theta}} \mathbb{E}_{x\sim D} \mathbb{E}_{y\sim \pi_{\theta}(y|x)}\left[ \log\frac{\pi_{\theta}(y|x)}{\frac{1}{Z(x)}\pi_{\text{ref}}(y|x)\exp(\frac{1}{\beta}r(x,y))}-\log Z(x)\right] \\ \end{aligned} ====πθmaxEx∼D,y∼πθ[r(x,y)]−βKL[πθ(y∣x)∥πref(y∣x)]πθmaxEx∼DEy∼πθ(y∣x)[r(x,y)−βlogπref(y∣x)πθ(y∣x)]πθminEx∼DEy∼πθ(y∣x)[logπref(y∣x)πθ(y∣x)−β1r(x,y)]πθminEx∼DEy∼πθ(y∣x)[logπref(y∣x)πθ(y∣x)+logexp(β1r(x,y))1+logZ(x)11−logZ(x)]πθminEx∼DEy∼πθ(y∣x)[logZ(x)1πref(y∣x)exp(β1r(x,y))πθ(y∣x)−logZ(x)]

其中 Z ( x ) Z(x) Z(x) 是我们额外引入的配分函数，定义为

Z ( x ) = ∑ y π ref ( y ∣ x ) exp ⁡ ( 1 β r ( x , y ) ) Z(x)=\sum_y \pi_{\text{ref}}(y|x)\exp\left(\frac{1}{\beta}r(x,y)\right) Z(x)=y∑πref(y∣x)exp(β1r(x,y))

现定义

π ∗ ( y ∣ x ) = 1 Z ( x ) π ref ( y ∣ x ) exp ⁡ ( 1 β r ( x , y ) ) \pi^*(y|x)=\frac{1}{Z(x)}\pi_{\text{ref}}(y|x)\exp\left(\frac{1}{\beta}r(x,y)\right) π∗(y∣x)=Z(x)1πref(y∣x)exp(β1r(x,y))

容易发现 π ∗ \pi^* π∗ 满足以下两个性质：

π ∗ ( y ∣ x ) ≥ 0 \pi^*(y|x)\geq 0 π∗(y∣x)≥0。
∑ y π ∗ ( y ∣ x ) = 1 \sum_y \pi^*(y|x)=1 ∑yπ∗(y∣x)=1。

这说明 π ∗ \pi^* π∗ 是一个概率分布，我们将它代回原式并继续推导：

min ⁡ π θ E x ∼ D E y ∼ π θ ( y ∣ x ) [ log ⁡ π θ ( y ∣ x ) π ∗ ( y ∣ x ) − log ⁡ Z ( x ) ] = min ⁡ π θ E x ∼ D [ E y ∼ π θ ( y ∣ x ) [ log ⁡ π θ ( y ∣ x ) π ∗ ( y ∣ x ) ] − log ⁡ Z ( x ) ] = min ⁡ π θ E x ∼ D [ KL [ π θ ( y ∣ x ) ∥ π ∗ ( y ∣ x ) ] − log ⁡ Z ( x ) ] \begin{aligned} &\min_{\pi_{\theta}} \mathbb{E}_{x\sim D} \mathbb{E}_{y\sim \pi_{\theta}(y|x)}\left[ \log\frac{\pi_{\theta}(y|x)}{\pi^*(y|x)}-\log Z(x)\right] \\ =&\min_{\pi_{\theta}} \mathbb{E}_{x\sim D} \left[ \mathbb{E}_{y\sim \pi_{\theta}(y|x)}\left[ \log\frac{\pi_{\theta}(y|x)}{\pi^*(y|x)} \right]-\log Z(x) \right] \\ =&\min_{\pi_{\theta}} \mathbb{E}_{x\sim D} \left[ \text{KL}[\pi_{\theta}(y|x) \,\|\, \pi^*(y|x)]-\log Z(x) \right] \\ \end{aligned} ==πθminEx∼DEy∼πθ(y∣x)[logπ∗(y∣x)πθ(y∣x)−logZ(x)]πθminEx∼D[Ey∼πθ(y∣x)[logπ∗(y∣x)πθ(y∣x)]−logZ(x)]πθminEx∼D[KL[πθ(y∣x)∥π∗(y∣x)]−logZ(x)]

注意到配分函数 Z ( x ) Z(x) Z(x) 与 π θ \pi_{\theta} πθ 无关，因此可以视为常数，所以只需要最小化KL散度这一项。根据Gibbs不等式，我们可以直接得到最优解：

π θ ( y ∣ x ) = π ∗ ( y ∣ x ) = 1 Z ( x ) π ref ( y ∣ x ) exp ⁡ ( 1 β r ( x , y ) ) \pi_{\theta}(y|x)=\pi^*(y|x)=\frac{1}{Z(x)}\pi_{\text{ref}}(y|x)\exp\left(\frac{1}{\beta}r(x,y)\right) πθ(y∣x)=π∗(y∣x)=Z(x)1πref(y∣x)exp(β1r(x,y))

接下来推导 r ( x , y ) r(x,y) r(x,y) 和 π θ \pi_{\theta} πθ 之间的关系。对上式移项可得：

exp ⁡ ( 1 β r ( x , y ) ) = π θ ( y ∣ x ) π ref ( y ∣ x ) ⋅ Z ( x ) r ( x , y ) = β log ⁡ π θ ( y ∣ x ) π ref ( y ∣ x ) + β log ⁡ Z ( x ) \begin{aligned} \exp\left(\frac{1}{\beta}r(x,y)\right)&=\frac{\pi_{\theta}(y|x)}{\pi_{\text{ref}}(y|x)}\cdot Z(x)\\ r(x,y)&=\beta\log\frac{\pi_{\theta}(y|x)}{\pi_{\text{ref}}(y|x)}+\beta \log Z(x) \end{aligned} exp(β1r(x,y))r(x,y)=πref(y∣x)πθ(y∣x)⋅Z(x)=βlogπref(y∣x)πθ(y∣x)+βlogZ(x)

我们将这个表达式代入到之前的 P ( y + > y − ∣ x ) P(y^+>y^-|x) P(y+>y−∣x) 中可得：

P ( y + > y − ∣ x ) = σ ( r ( x , y + ) − r ( x , y − ) ) = σ ( β log ⁡ π θ ( y + ∣ x ) π ref ( y + ∣ x ) + β log ⁡ Z ( x ) − β log ⁡ π θ ( y − ∣ x ) π ref ( y − ∣ x ) − β log ⁡ Z ( x ) ) = σ ( β log ⁡ π θ ( y + ∣ x ) π ref ( y + ∣ x ) − β log ⁡ π θ ( y − ∣ x ) π ref ( y − ∣ x ) ) \begin{aligned} P(y^+>y^-|x)&=\sigma (r(x,y^+)-r(x,y^-)) \\ &=\sigma\left(\beta\log\frac{\pi_{\theta}(y^+|x)}{\pi_{\text{ref}}(y^+|x)}+\beta \log Z(x)-\beta\log\frac{\pi_{\theta}(y^-|x)}{\pi_{\text{ref}}(y^-|x)}-\beta \log Z(x) \right) \\ &=\sigma\left(\beta\log\frac{\pi_{\theta}(y^+|x)}{\pi_{\text{ref}}(y^+|x)}-\beta\log\frac{\pi_{\theta}(y^-|x)}{\pi_{\text{ref}}(y^-|x)} \right) \\ \end{aligned} P(y+>y−∣x)=σ(r(x,y+)−r(x,y−))=σ(βlogπref(y+∣x)πθ(y+∣x)+βlogZ(x)−βlogπref(y−∣x)πθ(y−∣x)−βlogZ(x))=σ(βlogπref(y+∣x)πθ(y+∣x)−βlogπref(y−∣x)πθ(y−∣x))

最终得到DPO的目标函数：

L DPO = − E ( x , y + , y − ) ∼ D [ log ⁡ σ ( β log ⁡ π θ ( y + ∣ x ) π ref ( y + ∣ x ) − β log ⁡ π θ ( y − ∣ x ) π ref ( y − ∣ x ) ) ] \mathcal{L}_{\text{DPO}}=-\mathbb{E}_{(x,y^+,y^-)\sim \mathcal{D}} \left[ \log\sigma\left(\beta\log\frac{\pi_{\theta}(y^+|x)}{\pi_{\text{ref}}(y^+|x)}-\beta\log\frac{\pi_{\theta}(y^-|x)}{\pi_{\text{ref}}(y^-|x)} \right) \right] LDPO=−E(x,y+,y−)∼D[logσ(βlogπref(y+∣x)πθ(y+∣x)−βlogπref(y−∣x)πθ(y−∣x))]

可以发现 L DPO \mathcal{L}_{\text{DPO}} LDPO 与 L RM \mathcal{L}_{\text{RM}} LRM 的形式十分接近，即DPO具有以下形式的隐式奖励函数：

r θ ( x , y ) = β log ⁡ π θ ( y ∣ x ) π ref ( y ∣ x ) r_{\theta}(x,y)=\beta\log\frac{\pi_{\theta}(y|x)}{\pi_{\text{ref}}(y|x)} rθ(x,y)=βlogπref(y∣x)πθ(y∣x)

这也回应了DPO论文标题中的「Your Language Model is Secretly a Reward Model」。

接下来可以总结一下DPO的流程了：

从 π SFT \pi^{\text{SFT}} πSFT 初始化 π θ , π ref \pi_{\theta},\,\pi_{\text{ref}} πθ,πref。
对于每个 x x x，用 π ref \pi_{\text{ref}} πref 采样一对答案 ( y 1 , y 2 ) (y_1,y_2) (y1,y2)，再让人工标注者去标注，以离线的方式构建人类偏好数据集 D = { x i , y i + , y i − } i = 1 N \mathcal{D}=\{x_i,y_i^+,y_i^-\}_{i=1}^N D={xi,yi+,yi−}i=1N。
通过最小化 L DPO \mathcal{L}_{\text{DPO}} LDPO 来不断优化 π θ \pi_{\theta} πθ。

4. DPO的简单实现

为方便计算，我们对 L DPO \mathcal{L}_{\text{DPO}} LDPO 做个简单的变形：

L DPO = − E ( x , y + , y − ) ∼ D [ log ⁡ σ ( β log ⁡ π θ ( y + ∣ x ) π θ ( y − ∣ x ) − β log ⁡ π ref ( y + ∣ x ) π ref ( y − ∣ x ) ) ] \mathcal{L}_{\text{DPO}}=-\mathbb{E}_{(x,y^+,y^-)\sim \mathcal{D}} \left[ \log\sigma\left(\beta\log\frac{\pi_{\theta}(y^+|x)}{\pi_{\theta}(y^-|x)}-\beta\log\frac{\pi_{\text{ref}}(y^+|x)}{\pi_{\text{ref}}(y^-|x)} \right) \right] LDPO=−E(x,y+,y−)∼D[logσ(βlogπθ(y−∣x)πθ(y+∣x)−βlogπref(y−∣x)πref(y+∣x))]

一种简单的实现：

def dpo_loss(policy_chosen_logps, policy_rejected_logps, ref_chosen_logps, ref_rejected_logps, beta):
    """
    Compute the simplified DPO loss with sigmoid loss type.

    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,)
        ref_chosen_logps: Log probabilities of the reference model for the chosen responses. Shape: (batch_size,)
        ref_rejected_logps: Log probabilities of the reference model for the rejected responses. Shape: (batch_size,)
        beta: Temperature controlling strength of KL penalty

    Returns:
        losses: The DPO loss for each example in the batch.
        chosen_rewards: Rewards for the chosen responses.
        rejected_rewards: Rewards for the rejected responses.
    """

    # Calculate log-ratios
    policy_logratios = policy_chosen_logps - policy_rejected_logps
    ref_logratios = ref_chosen_logps - ref_rejected_logps

    # Compute logits for sigmoid loss
    logits = policy_logratios - ref_logratios

    # Sigmoid loss type
    losses = -F.logsigmoid(beta * logits)

    # Compute rewards
    chosen_rewards = beta * (policy_chosen_logps - ref_chosen_logps).detach()
    rejected_rewards = beta * (policy_rejected_logps - ref_rejected_logps).detach()

    return losses, chosen_rewards, rejected_rewards

5. 梯度分析

通过对DPO的目标函数求导，我们可以深入理解DPO算法如何针对LLM的参数进行优化。

令 u = β log ⁡ π θ ( y + ∣ x ) π ref ( y + ∣ x ) − β log ⁡ π θ ( y − ∣ x ) π ref ( y − ∣ x ) u=\beta\log\frac{\pi_{\theta}(y^+|x)}{\pi_{\text{ref}}(y^+|x)}-\beta\log\frac{\pi_{\theta}(y^-|x)}{\pi_{\text{ref}}(y^-|x)} u=βlogπref(y+∣x)πθ(y+∣x)−βlogπref(y−∣x)πθ(y−∣x)，利用Sigmoid函数的性质，我们有：

∇ L DPO = − E ( x , y + , y − ) ∼ D [ ∇ log ⁡ σ ( u ) ] = − E ( x , y + , y − ) ∼ D [ ∇ σ ( u ) σ ( u ) ∇ u ] = − E ( x , y + , y − ) ∼ D [ σ ( − u ) ∇ u ] = − E ( x , y + , y − ) ∼ D [ σ ( r θ ( x , y − ) − r θ ( x , y + ) ) ⋅ ( ∇ log ⁡ π θ ( y + ∣ x ) − ∇ log ⁡ π θ ( y − ∣ x ) ) ] \begin{aligned} \nabla \mathcal{L}_{\text{DPO}}&=-\mathbb{E}_{(x,y^+,y^-)\sim \mathcal{D}}[\nabla\log\sigma(u)]= -\mathbb{E}_{(x,y^+,y^-)\sim \mathcal{D}}\left[\frac{\nabla \sigma(u)}{\sigma(u)}\nabla u\right] \\ &=-\mathbb{E}_{(x,y^+,y^-)\sim \mathcal{D}}\left[ \sigma(-u)\nabla u \right] \\ &=-\mathbb{E}_{(x,y^+,y^-)\sim \mathcal{D}}\left[ \sigma(r_{\theta}(x,y^-)-r_{\theta}(x,y^+)) \cdot (\nabla \log \pi_{\theta}(y^+|x) - \nabla \log \pi_{\theta}(y^-|x)) \right] \end{aligned} ∇LDPO=−E(x,y+,y−)∼D[∇logσ(u)]=−E(x,y+,y−)∼D[σ(u)∇σ(u)∇u]=−E(x,y+,y−)∼D[σ(−u)∇u]=−E(x,y+,y−)∼D[σ(rθ(x,y−)−rθ(x,y+))⋅(∇logπθ(y+∣x)−∇logπθ(y−∣x))]

其中 r θ r_{\theta} rθ 是上文提到的隐式奖励函数。

通过对上述目标函数的导数进行分析，可以发现优化过程中会增大 log ⁡ π θ ( y + ∣ x ) \log \pi_\theta(y^+|x) logπθ(y+∣x) 与 log ⁡ π θ ( y − ∣ x ) \log \pi_\theta(y^-|x) logπθ(y−∣x) 之间的差异。这表明优化过程中训练模型向符合人类偏好的内容靠近 ( y + ) (y^+) (y+)，同时尽量避免生成不符合人类偏好的内容 ( y − ) (y^-) (y−)。

此外，公式的前半部分 σ ( r θ ( x , y − ) − r θ ( x , y + ) ) \sigma(r_\theta(x,y^-) - r_\theta(x,y^+)) σ(rθ(x,y−)−rθ(x,y+)) 可以看作是梯度的系数，动态地控制梯度下降的步长。可以发现，当策略模型更倾向于生成不符合人类偏好的内容 y − y^- y− 时， r θ ( x , y − ) r_\theta(x,y^-) rθ(x,y−) 和 r θ ( x , y + ) r_\theta(x,y^+) rθ(x,y+) 之间的差值变大，导致梯度下降的步长变大，从而进行更为激进的参数更新，以避免生成 y − y^- y−。反之，当策略模型倾向于生成符合人类偏好的内容 y + y^+ y+ 时，说明策略模型当前具备较好的参数。此时梯度的系数变小，这会使得策略模型的参数的更新幅度降低，防止更新步长过大使得策略模型的性能出现震荡，增加训练的稳定性。

Ref

[1] https://www.bilibili.com/video/BV1GF4m1L7Nt/?spm_id_from=333.337.search-card.all.click
[2] 《大模型综述》
[3] https://en.wikipedia.org/wiki/Bradley%E2%80%93Terry_model

标签：frac,log,text,Direct,Optimization,Preference,theta,pi,ref
From： https://blog.csdn.net/raelum/article/details/141612193