大模型强化学习中的 PPO、DPO、KTO、ORPO 全解析

本文聚焦大语言模型（LLM）微调阶段中的强化学习方法，全面介绍四大主流算法：PPO（Proximal Policy Optimization）、DPO（Direct Preference Optimization）、KTO（Kullback-Leibler Preference Optimization）、ORPO（Offline RL with Preference Optimization）。通过原理、训练样例、公式与代码解析，帮助你理解它们在 RLHF（基于人类反馈的强化学习）中的定位与区别。

---

目录

1. PPO：传统但强大的策略优化方法
2. DPO：去奖励建模的偏好优化算法
3. KTO：KL 指导的直接偏好优化
4. ORPO：离线偏好监督强化学习
5. 总结对比

---

PPO：Proximal Policy Optimization

原理

PPO 是强化学习中最常见的策略优化算法之一，适用于 RLHF 的最后一阶段。它通过约束新旧策略之间的距离，避免模型剧烈更新。

在 LLM 中，PPO 通常如下流程：

• 提供一个问题 prompt
• 当前策略生成多个候选回复
• 使用奖励模型（Reward Model）打分
• 将得分用于更新策略

样例数据

{
  "prompt": "Explain quantum computing in simple terms",
  "completion": "Quantum computing uses qubits instead of bits...",
  "reward": 6.2
}

公式

目标函数（clipped）如下：

$$L^{PPO}(\theta )={\mathbb{E}}_t\left[\min (r_t(\theta ){\hat{A}}_t,\text{clip}(r_t(\theta ),1-ϵ,1+ϵ){\hat{A}}_t)\right]$$

其中：

• $r_t(\theta )=\frac{{\pi }_{\theta }(a_t|s_t)}{{\pi }_{{\theta }_{old}}(a_t|s_t)}$
• ${\hat{A}}_t$ 是 advantage（优势函数）

简单实现（使用 trl 库）

from trl import PPOTrainer
trainer = PPOTrainer(model, ref_model, tokenizer, args)
trainer.step(prompt_tensors, response_tensors, rewards)

---

DPO：Direct Preference Optimization

原理

DPO 不再训练奖励模型，而是直接使用人类偏好进行优化。输入为两条回复（chosen 和 rejected），目标是让模型直接学会偏好。

优势：

• 无需训练额外 reward model
• 与 SFT 类似的训练范式，稳定易实现

样例数据

{
  "prompt": "What is the capital of France?",
  "chosen": "The capital of France is Paris.",
  "rejected": "France's capital city is Germany."
}

公式

优化目标为最大化以下似然差异：

$${\mathcal{L}}_{\text{DPO}}=\log \frac{\exp (\beta f_{\theta }(x,y^{+}))}{\exp (\beta f_{\theta }(x,y^{+}))+\exp (\beta f_{\theta }(x,y^{-}))}$$

其中：

• $f_{\theta }(x,y)$ 是模型输出对输入 $x$ 生成 $y$ 的打分（logit）
• $\beta$ 控制偏好强度

简单实现（trl）

from trl import DPOTrainer
trainer = DPOTrainer(model, args)
trainer.train(preference_dataset)

---

KTO：KL-guided Preference Optimization

原理

KTO 是 DPO 的改进版，引入了 KL 正则项，鼓励新模型不要偏离参考模型太远。

适用于奖励来源不稳定或参考模型非常可靠的场景。

样例数据

与 DPO 相同（prompt + chosen + rejected）

公式

KTO 的损失函数如下：

$${\mathcal{L}}_{KTO}={\mathcal{L}}_{\text{DPO}}+\lambda \cdot KL({\pi }_{\theta }\Vert {\pi }_{\text{ref}})$$

实现（类 DPO，可加 KL loss）

loss = dpo_loss + lambda_ * kl_divergence(new_logits, ref_logits)

---

ORPO：Offline RL with Preference Optimization

原理

ORPO 是 OpenChat 提出的 RLHF 替代方案。目标是用 offline dataset（已存在的人类偏好数据）一次性训练，无需在线 rollout。

核心思想：将奖励模型的偏好信息嵌入损失函数中，像 SFT 一样训练。

样例数据

{
  "prompt": "Define inflation.",
  "response": "Inflation is the rate at which prices increase...",
  "score": 0.85
}

公式

ORPO 的损失包含两个部分：

$${\mathcal{L}}_{\text{ORPO}}={\mathcal{L}}_{\text{MLE}}-\lambda \cdot R(y)$$

• ${\mathcal{L}}_{\text{MLE}}$ 是传统的最大似然损失
• $R(y)$ 是偏好得分（或奖励）

简单实现

loss = cross_entropy_loss - lambda_ * reward_score

---

总结对比

方法	训练阶段	是否需奖励模型	是否用偏好数据	在线策略优化	适用场景
PPO	RLHF 后期	是	间接	是	高控制力
DPO	替代 RLHF	否	是	否	稳定、易部署
KTO	DPO 增强	否	是	否	偏差控制好
ORPO	替代 RLHF	是	是	否	离线数据训练

---