https://x.com/i/article/2118652439049986048

LLM 其实是一个 reward model：DPO

Your Language Model is Secretly a Reward Model

这句话是 2023 年一篇斯坦福论文的副标题。

论文提出了 DPO（direct preference optimization，直接偏好优化），副标题就是它的核心想法。

reward model 那篇讲的是一个单独的网络：LLM 的主体加一个打分头，每个回答得到一个数。

RLHF（基于人类反馈的强化学习）还要走第二阶段：chat model 写回答，reward model 打分，RL 再修改 chat model。

DPO 不需要这个外部的 reward model：LLM 本身就是 reward model。它相对起点把一个回答的概率调高或调低了多少，这个量就是该回答的分数。

具体做法是：留一份起点模型的冻结副本，叫 reference（参考模型），然后这样给每个回答打分：

score = β × log(new share / reference share)

这个分数叫 implicit reward（隐式 reward）。它只需要两个概率，不需要打分头，也不需要第二个网络。

然后拿人比较过的两个回答，套用 reward model 的 Bradley–Terry loss。

看 KL 那篇的鸡蛋问题。问 How long should I boil an egg?，参考模型的五种回答比例如下：

- Boil it until it's done.（含糊的回答）：40%

- About 10 minutes.：25%

- 一长段话，最后才说到 10 分钟：15%

- Soft-boiled 6–7 minutes, hard-boiled 10–12; then cold water so it peels easily.（最好的回答）：12%

- 2 minutes gives a hard-boiled egg.（错误的回答）：8%

标注者比较两个回答，选了最好的回答，没选 About 10 minutes。这条记录叫一个 pair（配对）。被选中的是 chosen 回答，没选中的是 rejected 回答。

取 β = 1，看这个配对在三个模型上的结果：

- 起点：模型是参考模型的副本。两个分数都是 0，分差 0，chosen 回答胜出的概率 0.5，loss 0.693。

- 小幅移动：最好的回答升到 22%，分数是 log(0.22 / 0.12) = 0.606，另一个回答仍是 0。分差 0.606，概率 0.647，loss 0.435。

- 最优模型（KL 那篇的最佳折中）：两个回答分别占 39.5% 和 30.3%，分数是 1.192 和 0.192。分差 1，概率 0.731，loss 0.313。

训练就是在大量配对上降低这个 loss。不需要采样回答，不需要训练 reward model，也没有 RL 循环。

这里有两个问题：log ratio 为什么能当 reward？为什么降低这个 loss，得到的正是 RL 要找的模型？

本文前半部分回答这两个问题，读过 KL 那篇就够了。后半部分讲 DPO loss 怎样改变模型、能否到达最优模型，以及在真实的 LLM 上要注意什么。

这是后训练系列的第七篇。鸡蛋例子里的概率和 reward 都是示意值，基于它们的计算是精确的。

Objective：每个模型一个分数

先回顾 KL。对每个回答，新比例除以参考比例，再取 log，得到 log ratio。按新模型的回答比例取平均，就是 KL。

什么都没变时 KL 是 0，变得越多越大。小幅移动的 KL 是 0.047。

RLHF 给每个候选模型打一个总分，这个总分叫 objective：

objective = average reward − β × KL

平均 reward 是每个回答的比例乘以它的 reward，再相加。五个回答的 reward 设为 0、1、0.5、2、−1。

β 是 KL penalty 的系数，表示一单位 KL 扣多少分，由训练者选定。取 β = 1：

- 保持参考模型：0.485 − 0 = 0.485

- 小幅移动：0.685 − 0.047 = 0.638

- 永远给最好的回答：2.000 − 2.120 = −0.120

- 最优模型：1.136 − 0.328 = 0.808

最后一行最高，原因后面会讲。写成符号是 J = E[R] − β · KL(π ‖ π_ref)。π 是正在训练的模型，也就是 policy。E[R] 是它的平均 reward。

RLHF 训练有三个信号，分工不同：

- reward 来自冻结的 reward model，进入参数更新，决定往哪个方向走。

- KL 相对冻结的参考模型计算，进入参数更新，限制模型偏离多远。

- gold 是训练从未见过的信号：留出的人工比较、benchmark、人工阅读样本。它只用来评判 checkpoint。

DPO 改动前两个：存好的配对取代 reward model，β 和参考模型直接写进 loss。gold 仍在训练之外。

为什么要有 KL penalty

再看 KL 那篇的第六个回答：Boil it 20 minutes, always, for food safety. Experts agree.

参考模型写出它的比例是 0.5%，2 分钟那个回答降到 7.5%，总和保持 100%。

reward model 很少见到这类回答，给了它 3 分，是所有回答里最高的。它的真实价值，也就是 gold，是 −2。

如果没有 KL penalty，最优模型把 100% 的比例都放在这个回答上。reward 是 3，gold 是 −2。参考模型的 gold 是 0.48。

加上 KL penalty，取 β = 1。这个回答只占 4.3%，真正最好的回答占 37.9%。reward 是 1.22，gold 是 1.00。

reward 下降了，gold 上升了。

DPO 论文指出了 KL penalty 的作用：让模型留在 reward model 准确的那些回答附近，保留回答的多样性，防止模型塌缩到单个高分回答。

此外，参考模型的很多能力 reward model 并不度量。留在参考模型附近，这些能力才能保住。

有了 KL penalty，训练就变成了给参考模型已有的回答重新分配权重。

为什么参考模型要冻结

KL penalty 需要一个固定的起点。

假设每一步只和上一步的模型比较。还是六个回答，分十步朝 reward 偏好的方向移动，每步幅度相同。

相对上一步，每一步的 KL 最多 0.059。相对起点，十步之后的 KL 是 3.61，那个错误回答占到 69%。这正是 KL 那篇结尾过度优化的模型。

用冻结的参考模型，这 3.61 会全部计入 KL penalty。

所以参考模型是起点模型的副本，通常来自 supervised fine-tuning（SFT，监督微调）。它不接收梯度，训练中始终不变，只需多跑一次前向计算。

最优模型：怎么移动都没有好处

回到五个回答。哪个模型总分最高？

有一个检验方法：把一小份比例从一个回答移到另一个回答。如果总分上升，这个模型就还能改进。

检验要用到每个回答的 net value（净值），它衡量给这个回答多一点比例的收益：

net value = reward − β × log ratio

reward 是收益，log ratio 是扣分。一个回答被抬得越高，再抬扣得越多。

小幅移动的 net value 是 0.288、1、0.5、1.394、−1。

从含糊的回答（0.288）移 0.01 给最好的回答（1.394），总分从 0.638 涨到 0.649。所以小幅移动还可以改进。

继续把比例从 net value 低的回答移向高的回答，差距不断缩小，直到五个回答都等于 0.808。这时再移动，总分只降不升。

在最优模型上，给任何回答多一点比例都没有收益。

所有 net value 相等，记作 c，就能解出最优模型：

log ratio = (reward − c) / β

log 的逆运算是 e（约 2.718）的乘方，去掉 log 得到：

new share = reference share × e^(reward / β) × one shared number

公共的数让所有比例加起来等于 1。具体计算分三步（β = 1）：

- 乘：每个参考比例乘以 e^reward，得到 0.400、0.680、0.247、0.887、0.029。

- 加：这五个数加起来是 2.243，记作 Z。

- 除：每个数除以 Z，得到 0.178、0.303、0.110、0.395、0.013。

Z 是什么？ 乘完之后，五个数的总和是 2.243，还不能当比例用。比例的总和必须是 1，所以每个数都要除以这个总和。Z 就是这个总和，论文里叫 partition function（配分函数）。

最好的回答从 12% 升到 39.5%，错误的回答从 8% 降到 1.3%。写成符号，星号表示最优模型：

π*(y) = π_ref(y) · e^(R(y) / β) / Z

每个回答都保留了一些比例，只是按 reward 重新加权。β 越小，加权越强。

有两点后面会用到。

第一，这是单个问题的解。真实的 LLM 用一组权重服务所有问题，π* 是训练逼近的目标。

第二，Z 要把所有可能的回答都加一遍。五个回答很简单。真实的 LLM 有无数种可能的回答，Z 算不出来。

从模型反推 reward

现在反过来算。假设手上只有参考模型和最优模型，不知道 reward。

每个回答的比例相除，再取 log，得到 −0.808、0.192、−0.308、1.192、−1.808。

reward 是 0、1、0.5、2、−1。每个 log ratio 都等于 reward 减 0.808。

为什么？把最优模型的公式两边除以参考比例，取 log，再乘以 β：

β × log ratio = reward − β × log Z

左边是开头的 implicit reward。右边是真实 reward 减一个常数。这个常数对所有回答都相同，这里是 0.808。

常数里有 Z，真实的 LLM 算不出来。但比较两个回答时，用不着它。

把这个常数记作 c。两个回答减去的是同一个 c，取差时正好抵消：

(reward A − c) − (reward B − c) = reward A − reward B

c 是多少，对差没有影响。Bradley–Terry 只看两个分数的差，所以 Z 不影响结果。

看鸡蛋的例子，最好的回答和 About 10 minutes 比较：

- 用 reward：2 − 1 = 1

- 用 log ratio：1.192 − 0.192 = 1

两个分数都减了 0.808，差不变，都得到 σ(1) = 0.731。

所以，最优模型和真实 reward 对人的选择给出相同的预测。

方法也就有了：去掉 reward，用 β × log ratio 作分数，让模型直接拟合人的选择。

DPO 论文正是这样推导的。它写道："We start with the same RL objective as prior work." 这个 objective 就是第二节的总分。

π* 的公式前人已经给出。DPO 的贡献是把公式变形，用 policy 表示 reward，再利用 Z 在比较中抵消，写出 loss。

用论文的话说，这样可以 "solve the standard RLHF problem with only a simple classification loss"。

DPO loss 的每一部分都有来源：

- β 是 KL penalty 的系数。

- 参考模型 是 KL 的基准。

- log ratio 是 KL 里面的那一项。

- 配对和 σ 来自 Bradley–Terry。

- Z 的消失 来自取差。

所以，DPO 训练时不计算 KL，却离不开 KL penalty。没有 penalty，最优模型里四个回答的比例都是 0，log(0) 不存在，reward 也就反推不出来。

这个结论还依赖两个假设：

- 人的选择符合某个 reward 下的 Bradley–Terry 模型。

- LLM 足够灵活，能够表示 π*。

用偏好数据训练出的 policy 自带 reward，只差一个比较时看不到的常数。

一个配对上的 DPO loss

DPO 的一条训练样本就是一行数据，和 reward model 用的一样：问题、chosen 回答、rejected 回答。

每一行的计算步骤：

1. 给 chosen 回答打分：β × 它的 log ratio。

1. 用同样的方法给 rejected 回答打分。

1. 取分差，chosen 减 rejected，记作 m。

1. 把分差变成 chosen 回答胜出的概率：σ(m)。

1. loss 是 −log σ(m)。

σ 是 reward model 那篇讲过的 sigmoid。分差 0 对应 0.5，分差很大时接近 1，分差是很大的负数时接近 0。

−log 让概率低的结果 loss 高：

- 分差 −3，分数顺序反了：loss 3.049

- 分差 0，模型还没有偏好：loss 0.693

- 分差 0.606：loss 0.435

- 分差 1：loss 0.313

- 分差 3，明显正确：loss 0.049

loss 永远到不了 0，这一点后面会用到。一个 batch 就对各行取平均。

论文里的写法是：

L = −log σ( β · log[π(y_w) / π_ref(y_w)] − β · log[π(y_l) / π_ref(y_l)] )

y_w 是 chosen 回答（w 代表 winner），y_l 是 rejected 回答。

这就是 reward model 那篇的 loss，只改了一处：分数来自 policy 和参考模型。

这里只看变化。小幅移动给 chosen 回答 22%，给 rejected 回答 25%，分差仍然是正的，因为它相对参考模型抬高了 chosen 回答。

更新力度

这个 loss 怎样改变模型？用 nudge test（微调检验）：把一个数改动一点点，看 loss 怎么变。

从分差 0 开始，loss 是 0.6931。分差加 0.01，loss 变成 0.6882，斜率约为 −0.5。精确的斜率是：

- 分差 −3：斜率 −0.953

- 分差 0：斜率 −0.500

- 分差 1：斜率 −0.269

- 分差 3：斜率 −0.047

斜率的大小是 σ(−m)，这就是更新力度。顺序反了的配对更新力度大，已经赢下的配对更新力度小。

论文指出这个权重很重要：去掉它的简单版本可能让 LLM 退化。

Gradient（梯度）。 一个输入的斜率是导数。Gradient 是一张斜率清单，每个输入一个数。真实模型每个权重一个数，6 亿参数的模型大约有 6 亿个。

Learning rate（学习率）。 每个数朝降低 loss 的方向改变，改变量是 learning rate 乘以斜率。用 learning rate 1 训练这个配对：

- 分差 0，loss 0.693，力度 0.500

- 分差 0.500，loss 0.474，力度 0.378

- 分差 0.878，loss 0.348，力度 0.294

- 分差 1.171，loss 0.270，力度 0.237

- 分差 1.408，loss 0.219，力度 0.197

分差越大，更新越小，但永远不会完全停下。

分差由两个 log 概率构成，所以更新同时作用在两者上：chosen 回答的 log 概率升高，rejected 回答的 log 概率降低，幅度相等，都要乘以 β。

参考模型是冻结的，不接收任何更新。

Hyperparameter（超参数）。 β 和 learning rate 都是 hyperparameter：由人选定，训练不会改变。两者分工不同。

用普通梯度下降把这个配对训练三次，learning rate 分别取 2、1、0.5，让第一步的大小相同。下面的数字是 chosen 回答的 log 概率升高了多少：

- β = 0.5：1 步 0.50，10 步 2.26，100 步 4.59

- β = 1：0.50、1.51、2.65

- β = 2：0.50、0.95、1.50

β 越大，配对移动得越少就能赢下来，更新力度也衰减得越早。

所以 learning rate 决定速度，β 决定要移动多远。

Adam 这类优化器会缩放每个梯度，β 对速度的影响基本消失，对距离的影响仍然保留。

DPO 论文的默认设置是 β = 0.1、learning rate 1e-6、batch 64。

概率从哪里来

比例的总和必须是 1。一个回答升高，比例总要从别处来。

用最简单的模型来看：一张表，每个回答一个原始数值，也就是 logit。softmax 把五个 logit 变成比例。这叫表格模型，它从参考模型开始。

learning rate 取 1，chosen 回答的 logit 加 0.5，rejected 回答的 logit 减 0.5，另外三个 logit 不更新。走一步之后：

- 含糊的回答：40% 到 40.8%

- About 10 minutes（rejected）：25% 到 15.5%

- 一长段话：15% 到 15.3%

- 最好的回答（chosen）：12% 到 20.2%

- 错误的回答：8% 到 8.2%

rejected 回答少了 9.5 个百分点，chosen 回答多了 8.2 个百分点。剩下的分给了配对之外的三个回答，因为 softmax 会重新缩放所有比例。

错误的回答上升了。没有配对提到它，所以没有更新把它压下去。

现在这两个回答的分差是 1，和最优模型相同。比例却差得很远：About 10 minutes 是 15.5%，目标是 30.3%；错误的回答是 8.2%，目标是 1.3%。

一个配对只能确定它自己的分差。要到达目标，配对必须覆盖所有回答。

覆盖之后，DPO 能到达 π* 吗？

理想测试

在目标已知的情况下做测试。用表格模型，它能表示任何比例。

再模拟标注者：每行随机挑五个回答中的两个，按真实 reward 用 Bradley–Terry 抽出赢家。训练代码只看到谁赢了，看不到 reward、Z 和 π*。

用 1,000 个配对，一次模拟运行的结果是：

- 运行结果：18.9%、32.5%、12.8%、34.3%、1.4%

- 目标：17.8%、30.3%、11.0%、39.5%、1.3%

两组比例的距离，就是把一组变成另一组要移动多少比例。参考模型距离目标 0.33，这次运行距离目标 0.05。

配对越多，距离越近。八个模拟数据集的平均距离是：

- 10 个配对：0.38

- 100 个配对：0.15

- 1,000 个配对：0.04

- 10,000 个配对：0.01

数据每增加十倍，距离大约缩小到三分之一。这是从样本估计平均值的常见速度。

这个测试还给出两条警告。

配对太少。 只有 10 个配对时，某两个回答常常只比较过一次，只有一个赢家。数据显示这个回答总是赢，而 loss 到不了 0，所以训练会一直扩大这个分差。

在一次这样的运行里，含糊的回答和错误的回答都降到了 0%，比例集中到另外三个回答上。真实训练也只过很少几遍数据：Tülu 2 的 DPO 模型只过了三遍。

β 决定距离。 在理想数据上，以 reward 为单位的分差与 β 无关。最好的回答和 About 10 minutes 的分差是 1。表达这个偏好所需的 log ratio 差是 1 / β：

- β = 4：log ratio 差 0.25，KL 0.02

- β = 1：log ratio 差 1，KL 0.33

- β = 0.1：log ratio 差 10，KL 2.12

β 越小，模型为了表达同一个偏好移动得越远。这个 β 就是 objective 里的 β。

从回答到 token

真实的 LLM 没有回答清单。一条回复的 log 概率是什么？

KL 那篇讲过，回复的概率是各 token 概率的乘积，所以它的 log 概率是各 token log 概率的和。

DPO 计入回答的 token 和 end-of-turn token（轮次结束标记），因为何时停下也是回答的一部分。问题的 token 只是上下文，不计入。

这些总和主要反映长度。按每个 token 约 −1 的示意值，40 个 token 的回复总和接近 −40，60 个 token 的接近 −60。直接比较的话，短回答总是占优。

所以 DPO 看的是相对参考模型的变化。每个回答只和自己的参考值比较，长度的影响大部分被减掉了。

一行训练数据要做四次前向计算：chosen 和 rejected 各过一遍模型，再各过一遍参考模型。后两次不算梯度。

Tülu 3 用的一个变体更进一步：把每个回答的 log ratio 除以 token 数，减轻剩余的长度偏差。

在真实模型上看什么

真实的 LLM 里，所有回答共用一组权重。针对一个配对走一步，其他回答也会变。表格模型看不出这一点。

有五件事需要关注。

第一步。 模型开始时是参考模型的副本，所有分差都是 0。所以 loss 必须从 log 2 = 0.693 开始，配对准确率必须从 50% 开始。否则就是 bug。

训练集和留出集。 训练集的配对准确率比从未见过的配对上升得快。两条曲线的差距说明模型在记忆训练数据，也就是配对太少的问题。

两个概率分开看。 loss 只看分差，而分差有三种扩大方式：

- chosen 升，rejected 降

- 两者都升

- 两者都降

看一个人为构造的例子。最好的回答从 12% 降到 6%，About 10 minutes 从 25% 降到 2.5%，其余比例分给另外三个回答，错误的回答从 8% 升到 11.6%。

分差是 1.609，loss 是 0.182，比最优模型的 0.313 还低。而 chosen 回答的概率减半了。

真实训练中确实会发生这种情况，它叫 likelihood displacement（似然位移）。

Razin 等人在 2024 年指出它可能造成危害。训练模型在 No 和 Never 之间选 No，可能大幅提高 Yes 的概率。在一个安全实验里，Llama-3-8B-Instruct 的拒绝率从 74.4% 降到 33.4%。

他们发现，根源是两个回答在模型看来很相似的配对。

DPO 对 learning rate 也很敏感：Tülu 2 报告说，稳定训练需要 5e-7。

KL。 KL 决定了这个 loss 的形式，但训练既不直接计算它，也不直接限制它。要用 KL 那篇的方法去测：让模型写回复，对 log ratio 取平均。

Gold。 配对准确率也算不上 gold。它只说明模型给两个固定回答的排序和标注者一致。

用户看到的是模型生成的回复。所以真正的检查是在留出问题上生成回复，再评判这些回复。

DPO 论文用 GPT-4 评判生成的回复，并把过度优化在 DPO 中如何表现留作开放问题。

分差变大，只说明 chosen 回答比 rejected 回答领先更多。模型现在写什么，要另外检查。

DPO 也有局限：它只能从给定的配对里学习，训练中无法自己尝试新回答并得到反馈。

它的优势是简单。Tülu 2 在 700 亿参数的模型上跑通了它，Tülu 3 的训练流程把它放在 SFT 和 RLVR 之间。

小结

- DPO 用模型相对冻结参考模型的变化给回答打分：β × log ratio，即 implicit reward。

- 它把 reward model 的 Bradley–Terry loss 用在这个分数上，在存好的配对上训练。不需要单独的 reward model、采样或 RL 循环。

- RLHF 的 objective 是平均 reward 减 β × KL。KL penalty 让模型留在 reward 可信的回答附近。

- 参考模型是冻结的，小步累积起来的距离也会全部计入 KL penalty。

- 在最优模型上，任何小幅移动都没有好处。由此解出最优模型：乘 e^(reward / β)，相加得到 Z，再相除。

- 反过来，β × log ratio 等于 reward 减一个常数。比较时常数抵消，所以不需要 Z。

- 每个配对的更新力度是 σ(−m)：顺序反了时大，赢下之后小。

- 只有配对里的回答会被直接更新。要到达最优模型，配对必须覆盖所有回答。

- 在理想测试中，DPO 只靠谁赢了的记录就能接近最优模型。配对太少时结果会偏离目标，β 决定移动多远。

- 在真实模型上，要看留出集、chosen 和 rejected 各自的概率、从样本测出的 KL，以及生成回复上的 gold。

系列接下来讲训练时采样回答的方法：PPO 和 GRPO，reward 来自 reward model 或 verifier。