经典 RLHF 像一条三段式生产线：收集成对偏好，训练一个输出标量的奖励模型，再用 PPO 让语言模型追逐这个分数，同时用 KL 惩罚拴住它。DPO 却说，第二段和第三段都可以拿掉，剩下一个看起来像二分类的损失就够了。
这很容易被压缩成一句不准确的话：DPO“不需要奖励模型”。更精确的说法是，DPO 不训练一个独立、可调用的奖励网络，却仍然假设人类偏好来自潜在奖励；它把这个奖励改写成策略相对参考模型的对数概率变化。 奖励模型没有凭空消失，而是从一项显式资产变成了语言模型内部的一种坐标系。
这次改写为何成立、每个 batch 到底算了什么，以及简化后的代价在哪里，是理解 DPO 的三把钥匙。
它删掉的是训练阶段，不是偏好假设
给定提示 $x$，标注者在两个回答里选择更好的 $y_w$，另一个记为 $y_l$。传统奖励模型通常采用 Bradley–Terry 假设：偏好概率只取决于两个潜在奖励之差，
$$ p(y_w \succ y_l\mid x)=\sigma\big(r(x,y_w)-r(x,y_l)\big). $$先用这个式子拟合奖励网络，再求解一个带 KL 约束的策略优化问题：
$$ \max_\pi\;\mathbb E_{y\sim\pi}[r(x,y)]- \beta D_{\mathrm{KL}}\!\left(\pi(\cdot\mid x)\,\|\,\pi_{\mathrm{ref}}(\cdot\mid x)\right). $$第一项鼓励高奖励回答，第二项阻止策略离参考模型太远。这个约束并非装饰：奖励模型只在有限数据分布附近可靠，策略若专门钻它的空子，分数可能继续上涨，回答质量却下降。
图 1：传统 RLHF 先拟合奖励再用 PPO 优化；DPO 直接用偏好对更新策略
DPO 的关键不是发明另一种偏好标签，而是观察上述优化问题的最优策略具有闭式形式：
$$ \pi_r(y\mid x)=\frac{1}{Z(x)}\pi_{\mathrm{ref}}(y\mid x) \exp\!\left(\frac{r(x,y)}{\beta}\right). $$把它反解，就能用策略表示奖励：
$$ r(x,y)=\beta\log\frac{\pi_r(y\mid x)}{\pi_{\mathrm{ref}}(y\mid x)}+\beta\log Z(x). $$麻烦的配分函数 $Z(x)$ 只依赖同一个提示 $x$。代回 Bradley–Terry 模型时，两个回答的奖励相减，$\beta\log Z(x)$ 恰好抵消。于是无需先恢复奖励的绝对值，也能直接拟合“人更可能选哪一个回答”。这不是近似技巧，而是一次变量替换。
一个偏好对，只需要四个对数概率
DPO 对每个样本 $(x,y_w,y_l)$ 计算四个序列级对数概率：当前策略与参考模型各自对 chosen、rejected 回答的概率。定义
$$ a_w=\log\pi_\theta(y_w\mid x)-\log\pi_{\mathrm{ref}}(y_w\mid x), $$$$ a_l=\log\pi_\theta(y_l\mid x)-\log\pi_{\mathrm{ref}}(y_l\mid x). $$这里的 $a$ 可以理解为“当前策略相对出发点，给这个回答增加了多少支持”。DPO 最小化
$$ \mathcal L_{\mathrm{DPO}}=-\log\sigma\big(\beta(a_w-a_l)\big). $$
图 2：DPO 用 policy/reference × chosen/rejected 的四个对数概率构造一个相对优势差
这个式子有三个容易忽略的细节。
第一，它优化的不是“chosen 的概率必须变大”这一条孤立规则，而是 chosen 相对 reference 的提升要超过 rejected 相对 reference 的提升。即使两个回答的绝对概率都因参数共享而下降，只要相对差朝正确方向扩大，损失仍会改善。
第二，reference 不是一份普通的旧 checkpoint 标签。它定义了隐式奖励的零点，也承担 KL 锚的角色。原论文在有 SFT 模型时用它初始化 reference 和待训练策略；没有匹配的 SFT 模型时，则先对 preferred completions 做最大似然微调，以减轻偏好数据与 reference 的分布错位。
第三，$\beta$ 控制偏离 reference 的代价，但不同实现对参数含义与缩放的表述可能不同，不能把数值跨代码库机械搬运。论文官方参考实现里，核心计算确实只有：先求 policy 的 chosen/rejected log-ratio，再减去 reference 的对应 log-ratio，最后送入 logsigmoid。不过“损失短”不等于训练只需一份模型：朴素实现仍要对 policy 和冻结的 reference 做前向计算，显存、并行和序列截断依然是工程问题。
简单来自“离线”，也受限于“离线”
DPO 训练期间不需要一边生成新回答、一边让奖励模型打分，再维护 PPO 的 actor、critic 与 rollout 循环。固定的 $(x,y_w,y_l)$ 数据集可以像监督学习一样反复训练，这降低了系统复杂度，也让实验更容易复现。
原论文在三个任务上验证了这点：受控情感生成、Reddit TL;DR 摘要和 Anthropic Helpful and Harmless 单轮对话。实验模型最大到 6B；在其 GPT-4 评估的摘要设置中，DPO 的最佳报告值约为 61% 胜率，PPO 约为 57%，且 DPO 对采样温度更稳健。论文还报告在人类头对头评估中，DPO 样本有 58% 的比较胜过 PPO 样本。
这些结果支持“在论文设置下，DPO 能以更简单的优化达到有竞争力的偏好对齐”，却不支持“DPO 在所有规模、所有偏好数据上都优于在线 RL”。它使用固定数据，看不到当前策略新产生的失败；如果训练把策略推到数据覆盖之外，监督信号不会自动跟上。偏好对来自谁、由哪个模型生成、标注标准是否一致，都会成为算法的一部分。
图 3：DPO 消除了显式奖励与在线 PPO 环，却保留 reference 计算，并把风险集中到偏好数据与分布外推
因此，把 DPO 与 PPO 理解成单纯的“新算法淘汰旧算法”并不合适。更有用的区分是：DPO 是固定偏好数据上的直接策略拟合；在线 RL 则能让当前策略持续探索、获得新反馈。前者适合数据已经准备好、希望训练管线简单稳定的场景；后者更复杂，却能针对模型正在犯的新错误继续收集信号。
隐式奖励照样会被钻空子
没有独立奖励网络，不代表没有 reward hacking。只要偏好数据含有捷径，DPO 就会放大能提高胜率的特征。
一个清楚的例子是长度。Rafailov 等作者的后续研究分析 Anthropic HH 与 TL;DR 数据，发现 preferred 回答只有轻微偏长，但未正则化 DPO 生成的回答平均可变成约两倍长，并跑到反馈数据的长度分布之外。论文将其解释为对长度相关偏好的分布外外推，并提出长度正则项；在控制长度后，报告的胜率最高改善 20%。
这里应避免另一个过度结论：长回答不等于坏回答。问题在于，模型可能把“通常更完整”学成“只要更长就更可能赢”，而自动评审本身也可能偏爱冗长。此时 raw win rate 同时测量内容质量、长度偏见和评审器偏见，不能单独充当真相。
DPO 的二元偏好模型还有更基本的压缩：它只知道 $y_w$ 胜过 $y_l$，不知道胜多少，也不知道两者是否都很差。标注噪声、提示分布变化、答案风格与事实正确性的纠缠，都不会因公式优雅而消失。实际系统仍需要保留独立评测：长度校正、人类抽检、事实性与安全测试，以及对策略偏离 reference 程度的监控。
真正的贡献，是找到了正确的坐标
DPO 最值得记住的，不是“用一个 loss 替代一整套 RLHF”这句口号，而是它找到了一种坐标变换：在 KL 正则化的偏好优化中，奖励差可以写成策略相对 reference 的 log-ratio 差；Bradley–Terry 只关心差值，所以未知的归一化项会消失。
这个视角让一条昂贵管线缩短了，也揭示了一个更普遍的设计原则：有时中间模型只是求解最终对象的一种参数化。如果能把约束直接写进最终对象，就可能减少训练阶段而不改变目标假设。
但被删掉的模块不会带走它原本承载的所有问题。偏好仍可能有偏，reference 仍决定“不要走太远”相对于哪里，离线数据仍划定可学习边界，评测仍可能被表面特征欺骗。DPO 让优化更直接；它没有让“人到底喜欢什么、为什么喜欢”这个问题变简单。
参考资料
- Rafailov et al., Direct Preference Optimization: Your Language Model Is Secretly a Reward Model, NeurIPS 2023.
- Rafailov et al., DPO paper and appendices, 2023.
- Mitchell et al., DPO official reference implementation.
- Park et al., Disentangling Length from Quality in Direct Preference Optimization, Findings of ACL 2024.