SFT、RLHF、DPO、IFT —— LLM 微调的进化之路_如何搭建自己的dpo

• • SFT、RLHF 和 DPO 都是先估计 LLMs 本身的偏好，再与人类的偏好进行对齐；

• • SFT 只通过 LLMs 生成的下一个单词进行估计，而 RLHF 和 DPO 通过 LLMs 生成的完整句子进行估计，显然后者的估计会更准确；

• • 虽然 RLHF 和 DPO 取得比 SFT 好的结果，但代价是高昂的数据构造和计算资源开销；

• • IFT 通过引入时序残差连接，仅使用多推理一步的开销，就可以融合 SFT、RLHF 和 DPO 的训练目标，摆脱对偏好数据和参考模型的依赖，保证训练目标与真实生成目标更加相近；

• • IFT 建模并优化了当前生成单词对所有未来生成结果的影响，增强了模型的因果性和事实性；
  

随着 ChatGPT 等强大模型的发布，大语言模型（Large Language Models，LLMs）的浪潮席卷而来，并逐渐走进千家万户。LLMs 可以协助文字工作者寻找创作灵感，可以为各年龄段的学生详解知识点，甚至可以帮助心情不好的人做心理疏导。可以说，LLMs 正在成为许多人日常工作与生活的必需品。

然而，现阶段的 LLMs 仍然在一些方面饱受诟病。首当其冲的就是**“幻觉”问题**，LLMs 会自信满满地生成不符合事实或常理的回答，可能对使用者造成误导。另外，LLMs 对于复杂指令的理解与遵循能力欠佳，他们可能会自动忽略指令中的某些信息，只完成用户的一部分要求。上面这些问题是 LLMs 落地应用时的硬伤，极大地限制着 LLMs 产生更大的实际价值。

那么，产生上述现象的可能原因有哪些？我们又应该如何改善这些问题？下面我们将从 LLMs 训练方法的角度出发，与大家一同寻找答案。

当下最流行的 LLMs 训练流程大概可以分为以下三步：预训练（Pre-Training，PT）、监督微调（Supervised Fine-Tuning，SFT）和 偏好优化（Preference Optimization，PO）。预训练时，语言模型在超大规模的语料中进行学习，并初步掌握基本的语法规则、逻辑能力、常识知识等等。但是，用于训练的语料中难免存在偏离人类价值观的数据，使 LLMs 不足够符合人类的偏好。同时，预训练的目标仅仅是根据上文补全单词，无法使 LLMs 具备对话和问答能力。因此，为了实现更好的与人交互，进一步的训练成为必须。

一种最简单的思路就是，照搬预训练的目标函数和损失函数进一步微调，但是改变数据的质量和格式。为了使 LLMs 对齐人类价值观，我们可以专门筛选一些符合人类价值观的数据；为了让 LLMs 适应对话和问答场景，我们可以构造一问一答或者多轮问答的数据。经过上述数据的训练，模型将拟合这部分数据的特性，从而达到我们的目的，这一过程也被称为监督微调。

LSFT=Eρ0∼DEsi∗∼Sρ0∗[−i=0∑NlogTθ(π∗(si∗),si∗)]

然而，PT 和 SFT 的训练目标与真实的生成任务目标之间存在一定的差距，这会使训练后的 LLMs 难以达到我们的预期。具体来讲，在真实的生成任务中，LLMs 将依据一个指令循环进行下述流程：

• • ① 依据上文，预测下一个单词；

• • ② 将自己预测的单词拼接到上文中；

• • ③ 重复进行上述步骤，直至生成终止符。

然而，在进行 PT 和 SFT 时，步骤②中拼接到上文的将是 Ground Truth 单词，而不是 LLMs 自己预测的单词，使得损失函数高估 LLMs 当前的能力，得到差强人意的训练结果。同时，这种目标函数只考虑了上文对当前预测的影响，没有考虑 LLMs 当前预测对自身未来预测的影响，限制了 LLMs 的因果性和泛化性。

为了缓解上述问题，进一步地提升 LLMs 的对话能力、以及对于人类价值观的对齐程度，偏好优化（Preference Optimization，PO）被引入到了模型微调过程中，基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）便是这类算法最早期的代表。

RLHF 的第一步是根据人类的偏好训练一个打分模型（Reward Model，RM），使其可以评估一条问答数据的质量。随后，LLMs 依据训练集中的指令生成自己偏好的回复（仅依据输入指令自主生成回复，而不是不断地依靠 Ground Truth 预测下一个Token），并使用 RM 的打分作为监督信号，不断让自己的生成结果更接近人类偏好。其中，实现上述优化过程的最常用算法被称为近端策略优化（Proximal Policy Optimization，PPO）。

LPPO=Eρ0∼DEsi∗∼Sρ0∗[−i=0∑NR(πθ(siθ),siθ)] R=πR←πminLR LR=Eρ0∼DEsi+∼Sρ0+,si−∼Sρ0−[−logσ(i=0∑NlogTR(π+(si+)∣si+)−i=0∑NlogTR(π−(si−)∣si−))]

RLHF 使用了更加贴合真实生成任务的目标函数，成为了获得强大 LLMs 的关键步骤。然而，RLHF 存在两方面的巨大开销：

• • ① 数据构造：为了得到 RM，我们要针对每条指令采集多条（≥2）回复数据，再让人类依据自己的偏好对这些数据进行质量排序，这将耗费大量的人力成本；

• • ② 计算资源：为了模拟真实的生成场景，在 RLHF 的训练过程中需要实时地让 LLMs 生成回复，并用 RM 进行打分。

同时，由于 RLHF 和 PT 、SFT 之间存在较大的目标函数差异，拟合 RLHF 的目标将带来不稳定的训练过程，并会产生对过往知识的灾难性遗忘。所以，RLHF 还需要一个冻结的参考模型与策略模型（也就是被训练的模型）计算 KL 散度作为约束，抑制模型的参数偏移。于是，在 RLHF 时需要 3-4 个LLMs 同时被存储在 GPU 中并参与运算，计算资源的开销可想而知。

如果不能降低 RLHF 的开销，LLMs 在更广泛场景中的应用将受到限制。于是，直接偏好优化（Direct Preference Optimization，DPO）应运而生。DPO 融合了打分模型和策略模型的训练过程，因此只需要标注过偏好的数据、参考模型和策略模型，就可以使 LLMs 直接对齐人类的偏好，极大地减轻了训练时对计算资源的消耗。但是，理想的 DPO 形态应是 在线DPO（Online DPO），也就是需要实时地采样 LLMs 对指令的回复，并实时地由人类标注偏好。所以，数据构造带来的开销非但没有降低（这种开销经常被忽略），反而要比 RLHF 更高。

LDPO-online=Eρ0∼DEsi∗∼Sρ0∗,siθ∼Sρ0θ[−logσ(i=0∑NlogTθ(π∗(si∗),si∗)−i=0∑NlogTθ(πθ(siθ),siθ))] LDPO-offline=Eρ0∼DEsi+∼Sρ0+,si−∼Sρ0−[−logσ(i=0∑NlogTθ(π+(si+),si+)−i=0∑NlogTθ(π−(si−),si−))]

为此，开源社区通常使用 离线DPO（Offline DPO）微调模型。这种方法会在训练前采集模型对指令的回复，并由人类标注好不同回复之间的排序，随后用这部分数据训练模型。Offline DPO 可以看作是使用事先采集的数据估计了人类和 LLMs 的偏好，随后再通过训练对齐二者的偏好。可是，随着训练的进行，LLMs 会逐渐偏离它自己最开始的偏好，损失函数又会错误地估计 LLMs 当前的能力（和上文中的 PT 和 SFT 类似），进而导致不理想的训练结果。

SFT 成本低，但效果欠佳；RLHF 和 DPO 效果好，但是成本过高。那么是否存在某种方法可以兼顾两类算法的优势，在降低开销的同时保证微调效果呢？如果我们使用一个统一的视角，会发现 SFT、RLHF 和 DPO 都是先估计 LLMs 本身的偏好，再与人类的偏好进行对齐。不过，SFT 只通过 LLMs 生成的一个单词进行估计，而 RLHF 和 DPO 通过 LLMs 生成的完整句子进行估计，显然后者的估计会更准确。

或者我们可以用复习考试时的刷题进行比喻。如果我们看到一个题目后，先依照自己的理解写完整道题，然后再对答案，通常可以通过试错的方式正确地了解自己的思维漏洞，查漏补缺；相反，如果我们在完成题目时，每写一步结果就立即对答案，随后再在正确答案的基础上写下一步结果，那我们通过这道题目获得的收获显然是更少的。

那么如何才能在不依赖参考模型和偏好数据的前提下，更好地使训练目标对齐真实生成目标呢？更大程度地暴露语言模型的“思维漏洞”是一种可能的解法，也是 直觉微调（Intuitive Fine-Tuning，IFT）的核心思想。IFT 通过引入 时间维度的残差连接（Temproral Residual Connection，TRC），使模型依照自己上一步的预测结果再多预测一步，近似地构建了 LLMs 对于指令的完整回复，更准确地估计了 LLMs 的偏好，从而获得更好的训练结果。这种方式也可以使 LLMs 获得类似于人类直觉的能力，每当它看到某个指令时，就对于完整的回复产生了一个模糊的预测。同时，TRC 还间接地引入了 动态关系传播（Dynamic Relation Propagation，DRP），DRP 可以建模 LLMs 当前预测单词对所有未来生成结果的影响，增强了 LLMs 生成过程中的因果性和事实性。

LIFT=Eρ0∼DEsi∗∼Sρ0∗[−n=0∑Ni=n∑NlogTθ(ai∗,δθ(si∗))]

δθ(si∗)=(1−λ)si∗+λπθ(si−1∗)

若希望了解更详细的问题建模和算法介绍，请参考原论文：Intuitive Fine-Tuning: Towards Simplify Alignment into a Single Process[1]

相较于 PE 和 SFT 完全依赖 Ground Truth 作为上文，这个方法在训练过程中逐渐地引入更多 LLMs 自己预测的单词作为上文，旨在让 LLMs 的训练目标更加贴合真实的生成任务。如果把 Scheduled Sampling 看作是对于 LLMs 偏好单词的硬采样，那么 IFT 则可以看作是一种软采样的进化版。IFT 的软采样可以获得模型更完整的偏好估计，并且更加利于进行梯度优化。

∃ Sρ0′⊆Sρ0∗,∀si∗∈Sρ0′,δθ(si∗)=πθ(si−1∗)

在 LLMs 的训练和推理过程中，都会首先对输入的上文进行向量化得到 Embedding，随后再将 Embedding 传输到后续的模型中进行运算。这种方法通过在 Embedding 中加入随机噪声来增强训练的泛化性和鲁棒性。IFT 也可以看作是在对 Embedding “加噪”，不过这个噪声是具有上下文因果性的“噪声”，所以相较随机噪声可以帮助模型获得更强的因果性和事实遵从性。