NLP / 大语言模型 · 2023 · DPO
Direct Preference Optimization: Your Language Model is Secretly a Reward Model
Rafael Rafailov et al.
从偏好对直接优化策略，省去显式奖励模型训练阶段。
偏好优化对齐RLHF
复现空间 · 建议计划
进阶 · 小规模训练 · 编辑建议，尚未实测
最小实验目标
在小模型上实现 chosen / rejected 损失，对比 SFT 基线与不同 beta。
数据集 / 环境
HH-RLHF 或其他有明确许可的偏好对。
评估项
- 偏好准确率
- 生成长度
- 盲测胜率
边界与常见偏差
保留独立测试集并报告评审方式；奖励分差不能直接当成人类偏好胜率。
实验验收协议
- 阅读原文，选定要对齐的具体表格、模型变体与数据划分；把缩小规模或替换组件单独列出。
- 核对作者资源的许可与依赖，锁定代码 commit、权重版本、硬件、随机种子和完整运行命令。
- 先完成数据与推理检查，再执行约定的实验；记录多次运行结果、资源消耗和失败案例。
- 提交可核验的代码、配置、日志与报告。原论文数值须注明表格和协议，当前指标必须附实际运行证据。
实验记录
- 原论文对齐目标
- 待认领后选定具体表格与评估条件
- 社区复现指标
- 暂无已验证结果
暂无实验日志与复现报告。收录此论文不表示社区已完成训练或评估；后续记录通过仓库 Issue 和 Pull Request 补充。