什么是“对齐 Alignment”

预训练大模型只是学了海量文本的文字规律，只会续写文字，不懂人类的喜好、安全、需求：

• 会胡说八道（幻觉）、答非所问
• 遇到危险提问会给出有害回答
• 回答干巴巴、不贴心，分不清哪种答案人类更喜欢

对齐（Alignment）：通过微调算法，把模型行为对齐人类价值观、偏好、安全规范，让模型做到 HHH：

• Helpful（有用、贴心、完整回答）
• Honest（诚实、不编造信息）
• Harmless（安全、拒绝违规提问）

对齐算法 = 实现这个目标的各类损失 / 优化算法（PPO/DPO/GRPO/KTO/ORPO/SimPO 全部属于对齐算法）

对齐两大阶段

SFT 监督微调（基础对齐）

用人工写好的「指令 - 标准答案」训练，让模型学会听懂指令、标准对话格式，是所有对齐的前置步骤

偏好对齐（核心对齐算法）

解决「同一个问题多条回答，区分好坏」，分两大流派：在线强化学习对齐、离线偏好优化对齐

两大流派

在线强化学习派（RLHF）：PPO、GRPO、Online DPO（训练时实时采样新回答，在线探索）
离线直接偏好优化派（无奖励模型、单轮监督式训练）：DPO、IPO、KTO、ORPO、SimPO（只用标注好的好坏回答对，不在线采样）

PPO（Proximal Policy Optimization，近端策略优化）

proximalˈprɒksɪməladj. 近端的；近源的；（牙齿）近侧的

核心

传统 RLHF 标准核心算法

OpenAI GPT3.5/4 初代对齐方案，完整流程（三步 RLHF）

• SFT 监督微调
• 训练 Reward Model（RM 奖励打分器）
• PPO 强化学习：Actor 生成回答→RM 打分→Critic 价值网络估计优势→裁剪更新策略，KL 约束防止模型跑偏

OpenAI Instruct GPT 原始论文标准：RLHF 是 3 阶段，《Training language models to follow instructions with human feedback》

官方定义 3 大核心阶段，预训练不算 RLHF 流程本身：

• 阶段 1：SFT 监督微调。拿“人工指令 - 回答对”，微调预训练基座，让模型听懂指令、会正常对话
• 阶段 2：训练 Reward Model（RM 奖励模型）。同一个 prompt 生成多条回答，人工好坏排序，训练打分模型，量化人类偏好
• 阶段 3：PPO 强化学习迭代。Actor 生成回答 → RM 打分 → Critic 算优势 → PPO 裁剪更新策略，搭配 KL 约束防止模型遗忘原有能力

市面 “4 步 RLHF” 口径 1：把「基座预训练」算进完整工程链路，完整模型全生命周期 4 步：

• 预训练（基座大模型，海量文本学习语言）
• SFT 监督微调
• 训练 RM 奖励模型
• PPO 强化学习优化
  缺陷：预训练不属于 RLHF 对齐流程，只是对齐前的前置步骤，严格来说不能算 RLHF 内部步骤

市面 “4 步 RLHF” 口径 2：把 PPO 内部循环拆成独立第 4 阶段，即把 PPO 内部的「样本采样 Rollout」单独拆出来，变成 4 段流水线：

• SFT
• 训练 RM
• Rollout 采样：用 Actor 批量生成回答、RM 打分
• PPO 参数更新训练
  本质只是把原来第 3 阶段的 PPO 内部流程一拆二，算法逻辑没变，只是流水线拆分粒度不同

RLHF 第三大阶段就叫「PPO 强化学习迭代」，它不是单一操作，是循环往复执行多轮的完整训练流程，目的是持续优化 Actor 模型。整个阶段会重复跑成千上万次内层循环，直到模型收敛、奖励稳定
内层：单轮迭代的完整执行流水线：Actor 生成→RM 打分→Critic 算优势→裁剪更新 + KL 约束，是这个迭代内部每一轮循环的完整执行步骤

核心特点
在线交互：训练时实时生成新样本，泛化能力强
显存开销极大：同时持有 Actor、Critic、RM、参考模型 4 套权重

缺点：调参敏感、训练易震荡、资源成本高
适用：高安全要求、超大基座模型、复杂多维度行为控制

Actor 策略模型
直译：演员，生成回答的主大模型，就是最终要优化、对外提供服务的对话模型

作用

• 接收用户 Prompt，输出完整回答
• PPO 训练的核心优化对象，所有参数更新都针对它
• 训练目标：多生成高分、人类喜欢的回答，少生成劣质 / 违规内容
• 关联初始化权重来自 SFT 微调后的模型

Critic 价值网络
直译：评论家，价值评估小网络，和 Actor 配套训练
核心作用：计算优势函数 Advantage，判断「这条回答比平均水平好多少」
A = R - V
R：RM 给出的真实奖励分数
V：Critic 预测的这条回答预期奖励

如果 A>0：这条回答更好，加大 Actor 更新幅度，鼓励
如果 A<0：这条回答很差，反向修正 Actor，抑制

特点：不生成文本，只做数值打分；训练时和 Actor 同步更新，PPO 经典「Actor-Critic 双网络架构」

KL 散度（Kullback-Leibler Divergence）全称KL Divergence，KL 散度，行业直接简称 KL
核心作用：防模型 “学跑偏、忘本”

Actor 只看奖励会疯狂迎合打分，出现两个严重问题：

• 灾难性遗忘：丢失预训练学到的通用知识、逻辑
• 奖励黑客（Reward Hacking）：钻奖励模型漏洞，输出看似高分但毫无意义的文本

原理
拿一份冻结不动的参考模型（Ref Model，SFT 后的原始模型） 做基准：计算 Actor 当前输出分布 和 参考模型输出分布 的 KL 距离，作为惩罚项加到损失里
KL 越大：Actor 输出和原始模型差距越大，惩罚越强
强制 Actor 更新时不能脱离原本的语言、知识体系

通俗举例
参考模型：正常回答数学题
如果 Actor 为了高分疯狂重复同一句话刷奖励，两者分布差异极大，KL 惩罚会大幅拉低 loss，阻止模型这么更新

DPO（Direct Preference Optimization，直接偏好优化）

2023 年提出，离线替代 PPO 的里程碑算法，把强化学习转化为普通分类损失

不用单独训练奖励模型，将奖励函数隐式融入损失；输入一组(prompt, 优选回答y_w, 劣选回答y_l)，最大化「好回答相对坏回答的概率比值」，搭配冻结 SFT 参考模型做 KL 约束

特点
离线训练：无需在线采样，不用 Critic/RM，仅保留策略 + 参考 2 个模型。训练稳定、工程简单、显存占用远低于 PPO

短板：
依赖高质量离线偏好数据，分布外泛化弱于在线 PPO

Online DPO（在线 DPO）

DPO 的在线改良版，融合 PPO 在线探索能力 + DPO 简单损失

区别于原生 DPO
原生 DPO 只用固定离线标注数据；Online DPO 训练循环中实时生成新回答、人工 / 自动打分，持续扩充偏好数据集，兼顾 DPO 的稳定与 PPO 的泛化能力

适用场景
数据量不足、需要持续迭代扩充样本的推理模型

GRPO（Group Relative Policy Optimization，组相对策略优化）

DeepSeek 2024 提出，PPO 轻量化替代，数学 / 代码推理模型标配（DeepSeek-R1 核心算法）

核心创新

• 移除 Critic 价值网络，显存直接降低 50%
• 同一条 prompt 批量生成 N 个回答（组 Group），用组内奖励相对差值替代优势函数
• 内置 KL 正则，不用额外奖励模型

特点

• 纯在线强化学习，完美适配 TTCS 多路径采样场景
• 对数学、代码、逻辑推理提升极强
• 开销远低于 PPO，7B 模型单卡即可微调

KTO（Kahneman-Tversky Optimization，前景理论偏好优化）

基于行为经济学前景理论，适配单条二元标注（单回答点赞 / 点踩，无需好坏配对）

Daniel Kahneman 丹尼尔・卡尼曼ˈkɑːnəmən
以色列裔美国心理学家，《思考，快与慢》作者，2002 诺贝尔经济学奖得主
Amos Tversky 阿莫斯・特沃斯基ˈtɜːvski
卡尼曼长期搭档，行为心理学先驱，1996 年早逝，诺奖不授予逝者，因此只有卡尼曼领奖

两人核心理论：前景理论 Prospect Theory
传统经济学假设人是理性的；二人证明人做决策存在系统性非理性：

• 损失带来的痛苦 > 同等收益的快乐
• 判断依赖直觉启发、锚定效应、框架偏差

KTO = Kahneman-Tversky Optimization
算法借用二人「前景理论」思想：不要求成对（好 / 坏）样本，只用单条回答 + 正负标签，模拟人类对收益、损失的不对称偏好打分

核心区别
其他算法都需要成对(好,坏)样本；KTO 可以只用独立单样本：输入单个回答 + 标签（正向 / 负向），分别加权损失

优势
标注成本更低，适合海量零散用户反馈（对话点赞数据）；无需参考模型，显存友好

IPO（Identity Preference Optimization，恒等偏好优化）

DPO 的正则化改进，解决 DPO 训练梯度爆炸、偏好过拟合问题

损失逻辑
DPO 是 sigmoid 二分类损失；IPO 改用平方损失，强制好坏回答对数概率差逼近固定阈值1/(2β)，平滑梯度、防止极端更新

适用：
偏好标注极度干净、数据噪声少的场景

ORPO（Odds Ratio Preference Optimization，比值比偏好优化）

单阶段对齐算法，唯一不需要独立 SFT 阶段、不需要冻结参考模型的主流方法

核心创新
将偏好损失直接叠加在 SFT 监督损失上，一步完成指令微调 + 人类对齐；去掉 DPO 必需的参考模型，大幅节省显存。
短板：长文本、复杂推理场景效果略弱于 DPO/GRPO

SimPO（Simple Preference Optimization，极简偏好优化）

无参考模型、极简离线偏好算法，2024 年提出，极致省显存

彻底移除 DPO 依赖的冻结参考模型
加入长度归一化，解决模型偏好生成长回答的 bias
损失仅依赖当前模型自身概率比值

优势：
仅加载 1 套模型权重，显存占用最低；小模型轻量化对齐首选

RLHF

RLHF = Reinforcement Learning from Human Feedback 基于人类反馈的强化学习

完整三段式标准流程（GPT-3.5/GPT4 原始训练链路）

阶段 1：SFT 监督微调（Supervised Fine-Tuning）
拿人工标注好的高质量「指令 - 回答」对话数据，直接微调基座大模型
目标：让模型学会听懂人类指令、输出通顺合规的文本，打下基础对话能力

阶段 2：RM 奖励模型训练（Reward Model）
同一个 prompt，让 SFT 模型生成多条不同回答；
人工对比排序：给回答分出好坏、优劣层级；
训练一个独立奖励模型，输入一段对话，输出 0~1 之间的分数，代表人类对这段回答的满意程度。
作用：把人的主观偏好转化为可计算的数字奖励，给后续强化学习打分。

阶段 3：PPO 强化学习优化（核心 RL 环节）
Actor 模型（待优化主模型）接收 prompt，生成回答；
把回答丢进Reward Model，拿到奖励分数；
用 Critic 价值网络估算每条样本的收益优势；
PPO 裁剪策略更新，同时加 KL 散度约束，防止模型彻底跑偏、丢失原有知识；
迭代更新 Actor，让模型越来越倾向生成高分、人类更喜欢的回答。

RLAIF

RLAIF：Reinforcement Learning from AI Feedback
AI 反馈强化学习，不用人工标注，用更强的大模型替代人类打分，降低标注成本（现在 R1、o1 推理模型主流方案）

RL vs 直接偏好优化（DPO/ORPO 等）

传统 RLHF 必须单独训 Reward Model+PPO 双阶段强化
DPO、KTO、ORPO 这类算法抛弃了完整 RLHF 流程，直接用偏好对做损失，不用独立奖励模型，工程更简单

o1、R1 一般指什么

OpenAI o1（闭源推理模型）

o：两层官方 + 行业通用解读
官方：代表 OpenAI，区分传统 GPT 产品线
内部代号代称：Orion（猎户座），内部项目代号 “Strawberry（草莓）”

官方明确解释：重置计数，推理新赛道的第 1 代里程碑
原文：we are resetting the counter back to 1
寓意：不再沿用 GPT-4/5 通用对话模型命名，单独开辟深度推理模型全新产品线，o1 是这条推理系列的起点，后续迭代 o2/o3

全球首个大规模落地 Test-Time Compute Scaling（推理时算力缩放） 的商用模型，靠超长思维链、多路径自校验、在线强化学习，专门解决数学、代码、竞赛级复杂逻辑难题
分支版本：o1（完整版）、o1-preview、o1-mini（轻量编码专用）

DeepSeek R1（开源推理模型）

R = Reasoning（推理），专门突出该模型主打深度推理能力
1 = 第一代推理专用大模型，DeepSeek 推理系列开山之作，全称 DeepSeek-R1

R1 是对标 o1 的开源平替，核心创新算法就是 GRPO（Group Relative Policy Optimization）
完美适配 TTCS 多路径采样、MCTS 树搜索推理，是目前开源圈最主流的推理模型
完全开源权重（MIT 协议），可本地端侧 / 私有服务端部署

训练逻辑：SFT + GRPO 在线强化学习，批量生成多条回答做组内对比，天然适配推理时扩容