1. 背景

在大模型对齐（alignment）里，常见的两类方法是：

PPO：强化学习经典算法，OpenAI 在 RLHF 里用它来“用奖励模型更新策略”。
DPO：2023 年提出的新方法（参考论文《Direct Preference Optimization: Your Language Model is Secretly a Reward Model》），绕过了奖励模型，直接用偏好对 (chosen/rejected) 来优化。

2. PPO（Proximal Policy Optimization）

2.1 核心思想

来自强化学习领域，是一种 on-policy 策略梯度方法。
用奖励模型（Reward Model）给生成的文本打分。
目标是最大化期望奖励，同时用 KL 惩罚 约束策略不要偏离初始模型太远。

2.2 损失函数（简化）

LPPO(θ)=Et[min⁡(rt(θ)A^t, clip(rt(θ),1−ϵ,1+ϵ)A^t)]L^{PPO}(\theta) = \mathbb{E}_t \Big[ \min( r_t(\theta) \hat{A}_t, \; \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon)\hat{A}_t ) \Big]

其中：

rt(θ)=πθ(at∣st)πθold(at∣st)r_t(\theta) = \frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_\text{old}}(a_t|s_t)}（策略比值）
A^t\hat{A}_t：优势函数（由奖励模型给出）
clip：限制更新幅度，避免策略崩溃。

2.3 特点

优点：稳定性较好；能处理连续更新。
缺点：需要训练一个独立的奖励模型，流程复杂；计算成本大。

3. DPO（Direct Preference Optimization）

3.1 核心思想

用人类/自我博弈生成的偏好对：
- chosen = 更好的回答
- rejected = 更差的回答
不需要显式训练奖励模型，而是把“奖励隐含在概率分布里”。
直接优化策略模型，使得它更偏向 chosen。

3.2 损失函数（简化）

LDPO(θ)=−E(x,y+,y−)[log⁡σ(β⋅(log⁡πθ(y+∣x)−log⁡πθ(y−∣x)−log⁡πref(y+∣x)+log⁡πref(y−∣x)))]L^{DPO}(\theta) = - \mathbb{E}_{(x, y^+, y^-)} \Big[ \log \sigma\big(\beta \cdot (\log \pi_\theta(y^+|x) - \log \pi_\theta(y^-|x) - \log \pi_{\text{ref}}(y^+|x) + \log \pi_{\text{ref}}(y^-|x)) \big) \Big]

其中：

y+y^+：chosen
y−y^-：rejected
πref\pi_{\text{ref}}：参考模型（通常是初始 SFT 模型）
β\beta：温度参数，调节强度
本质上是一个 对比学习（contrastive learning） 的形式。

3.3 特点

优点：
- 不需要奖励模型，流程更简单。
- 样本利用率高，对训练稳定。
缺点：
- 需要偏好对 (chosen/rejected)，不能直接用单个答案 + 分数。
- 不适合在线优化，更适合离线批量训练。

4. 对比总结

特点	PPO	DPO
提出时间	2017（RL 算法）→ RLHF	2023（斯坦福团队）
是否需要奖励模型	✅ 需要	❌ 不需要
输入形式	答案 + 奖励分数	偏好对 (chosen, rejected)
优化方式	强化学习（on-policy）	直接偏好对比（对比学习）
训练稳定性	相对复杂，易发散	更稳定，收敛快
适合场景	在线训练，奖励函数明确（数学/代码/对话安全性）	离线批量微调，数据是偏好对（人类标注/自我博弈）
代表案例	OpenAI GPT-4 RLHF	DeepSeek R1（自博弈 + DPO）