一、 核心思想一句话概括

首先，我们用三个比喻来快速理解它们的核心思想：

1. PPO (近端策略优化)： 「比武招亲」

   • 模型（AI）通过试错和与裁判（奖励模型）的互动来学习。它生成多个回答，裁判给每个回答打分（奖励），模型的目标是调整自己，使自己更可能生成高分的回答，同时避免与之前的自己差别太大（“近端”的含义）。

2. DPO (直接偏好优化)： 「父母撮合」

   • 直接给模型看人类标注的“好答案”和“坏答案”的成对样本（(winner, loser)）。模型不需要通过裁判打分，而是直接学习模仿“好答案”的风格和模式，并远离“坏答案”。它直接优化了偏好排序的概率。

3. GRPO (全局回报优化)： 「非诚勿扰」

   • 这是 DeepSeek 团队提出的新方法。它像 DPO 一样使用成对偏好数据，但整个训练过程被组织成一场“竞赛”。模型生成的多个回答相互竞争，基于一个全局的、稀疏的奖励（比如只有一个回答被选中）来更新策略，更适合长文本、多回合的复杂对齐任务。

---

二、 详解其原理

1. PPO (Proximal Policy Optimization)

目标： 在不知道真实奖励函数的情况下，通过一个代理奖励模型 (Reward Model) 来优化策略（模型本身）。

流程（以微调LLM为例）：

1. 准备奖励模型 (RM)： 首先需要训练一个独立的奖励模型。这个RM通过人类对回答的偏好（如 A > B）数据训练而成，学会给好的回答打高分，坏的回答打低分。
2. 微调过程：
   • 采样 (Sampling)： 让当前需要微调的模型（策略模型）针对同一个提示 (Prompt) 生成多个回答。
   • 评分 (Scoring)： 用训练好的奖励模型 (RM) 为每一个生成的回答计算一个奖励分数 (Reward)。
   • 优化 (Optimization)： 模型的目标是最大化这个奖励的期望。关键约束是 「近端」：在更新参数时，要确保新的策略（模型）不会与旧的策略偏离太远，以防止训练崩溃（生成乱码）。这是PPO稳定性的核心。

优点： 非常通用和强大，是强化学习领域的标杆算法。
缺点：

• 流程复杂： 需要额外训练一个高精度的奖励模型 (RM)，成本高。
• 稳定性挑战： 虽然叫“近端”优化，但训练过程中仍需精心调参来保持稳定。
• 奖励黑客 (Reward Hacking)： 模型可能会学会生成迎合奖励模型但不合人类直觉的回答（例如，包含某些高分关键词但内容空洞）。

2. DPO (Direct Preference Optimization)

目标： 省去训练奖励模型 (RM) 的步骤，直接从人类偏好数据中优化模型。

核心洞察： 作者发现，在一定的约束条件下，最优策略（我们想要的对齐后的模型）和最优奖励函数之间存在着解析解关系。这意味着我们可以绕过奖励建模，直接通过数学变换将偏好数据嵌入到损失函数中。

流程：

1. 准备数据： 只需要成对的偏好数据 (x, y_w, y_l)，其中对于提示 x，y_w 是人类偏好的回答（winner），y_l 是被拒绝的回答（loser）。不需要奖励分数。
2. 优化损失函数： 使用一个非常巧妙的损失函数，其核心是 Bradley-Terry 模型：
   L_DPO = -E[(x, y_w, y_l)] [ log σ( β * log(π_θ(y_w|x) / π_ref(y_w|x)) - β * log(π_θ(y_l|x) / π_ref(y_l|x)) ) ]
   • π_ref： 是初始的参考模型（SFT模型），在训练中固定不变。
   • π_θ： 是当前正在被优化的模型。
   • β： 是一个温度参数，控制模型偏离参考模型的程度。

直观理解： 这个损失函数是在最大化模型赋予“好回答” y_w 的概率与“坏回答” y_l 的概率之间的差距。模型通过不断拉大这个差距来学习人类的偏好。

优点：

• 极其简单： 无需训练奖励模型，直接端到端微调，大大简化了训练流程。
• 非常稳定： 由于损失函数直接依赖于参考模型，训练过程比PPO稳定得多，不易崩溃。
• 效果卓越： 在许多基准测试上，效果达到甚至超过了PPO。

缺点：

• 严重依赖于高质量的偏好数据。数据中的噪声会对训练产生较大影响。

3. GRPO (Global Reward Optimization)

目标： 解决在长文本、多回合对话等复杂任务中，奖励稀疏化和全局一致性的问题。

核心思想： 在复杂任务中，一个回答的“好”不是由局部决定的，而是需要全局考量。GRPO将对话或长文本生成视为一个竞赛环境。

流程：

1. 采样： 对于同一个提示 x，让当前模型生成 K 个 完整的回答（例如 K=4）。这 K 个回答构成一个“竞赛组”。
2. 评判： 由一个评判者 (Judge) 从这 K 个回答中选出一个唯一的优胜者 (Top-1)。这个评判者可以是人类标注员，也可以是一个强大的AI裁判（如GPT-4）。注意，这里只产生一个全局的、稀疏的奖励信号（ winner = 1, losers = 0），而不是给每个回答打分。
3. 优化： 使用一种称为 「分组策略梯度 (Group-wise Policy Gradient)」 的算法。只有获胜的回答会获得正反馈，模型会学习增加生成该回答的概率；而失败的回答获得负反馈，模型会降低生成它们的概率。同样，它也有约束来防止策略偏离太远。

为什么适合长文本？ 因为它评判的是整个回答的全局质量，而不是一句话中的一个词或一个片段。这避免了在长文本生成中频繁进行不连贯的局部优化。

优点：

• 解决稀疏奖励： 特别适用于奖励信号稀疏的复杂任务（写小说、长对话）。
• 全局一致性： 鼓励模型生成整体上更一致、更优秀的回答。
• 高效： 相比需要为每个片段打分的某些方法，GRPO的评判成本相对较低（只需选最优）。

缺点：

• 需要能够进行可靠全局评判的“裁判”（人类或超强AI），成本可能较高。
• 目前还比较新，实践和验证相对PPO/DPO较少。

---

三、 对比与总结

特性	PPO	DPO	GRPO
核心思想	通过奖励模型代理优化	直接从偏好数据中优化	在全局竞赛中优化
所需数据	需要奖励模型（或人类评分）	成对偏好数据 (winner, loser)	成组回答及其全局排名/选择
训练复杂度	高（需先训RM，再PPO微调）	低（直接端到端训练）	中（需采样组并进行全局评判）
稳定性	较低，需精心调参	高，得益于显式约束	中等，依赖于评判质量
奖励信号	稠密（每个回答都有分数）	隐含在损失函数中	稀疏（仅全局Top-1获胜）
适用场景	通用，但更成熟	通用，尤其适合迭代式偏好学习	长文本、多回合复杂任务
比喻	比武招亲	父母撮合	非诚勿扰

演进关系

可以看作是一个不断简化和专业化的过程：

1. PPO 是奠基性的工作，证明了RLHF（基于人类反馈的强化学习）的可行性，但流程复杂。
2. DPO 是革命性的突破，它发现了PPO目标的数学本质，省去了复杂的奖励建模步骤，极大地降低了偏好对齐的门槛，成为当前的主流方法。
3. GRPO 是针对PPO/DPO在长上下文、稀疏奖励场景下的不足提出的专业化解决方案。它不是为了替代DPO，而是为了处理DPO可能不擅长的特定任务。

如何选择？

• 对于大多数通用对话和指令跟随任务，DPO 是目前的最佳选择，因为它简单、稳定、高效。
• 如果你需要处理长文写作、多轮对话对齐等任务，并且有强大的评判能力，可以探索 GRPO。
• PPO 仍然非常强大和通用，在许多工业级应用中，由于其成熟度，依然被广泛使用。