DPO（直接偏好优化）
核心原理
DPO是一种针对大型语言模型的对齐技术，用于根据人类偏好调整模型权重。它与人类反馈强化学习（RLHF）的不同之处在于，它不需要拟合奖励模型，而是使用更简单的二元数据偏好进行训练。
关键特点
- 无奖励模型：直接利用人类标注的偏好数据，绕过了复杂的奖励模型训练
- 训练数据格式：三元组（prompt，chosen（好的结果），rejected（差的结果））
- 损失函数：基于Bradley-Terry模型，将偏好比较转化为概率优化问题
- 参考模型：使用冻结的参考模型防止策略偏离预期
优势
- 计算上比RLHF更轻、更快
- 不需要训练复杂的奖励模型
- 特别适合主观偏好或风格调整的任务
PPO（近端策略优化）
核心原理
PPO是一种基于Actor-Critic框架的强化学习算法，通过限制策略更新幅度保证训练稳定性。
关键特点
- 裁剪机制：限制新旧策略的差异，防止更新过大导致训练崩溃
- KL散度惩罚：约束新策略与参考模型的偏离程度
- 价值网络：需要额外训练一个价值模型（Critic）来估计状态价值
- GAE：使用泛化优势估计来计算优势函数
优势
- 训练稳定性好
- 在高维动作空间中表现优秀
- 已成为深度强化学习中效果最优的算法之一
GRPO（群体相对策略优化）
核心原理
GRPO是一种强化学习算法，专门用于增强大型语言模型中的推理能力。它通过评估彼此相关的响应组来优化模型。
关键特点
- 无价值模型：取消了PPO中复杂的价值函数
- 相对评估：通过对每个提示采样一组回答，进行组内比较
- 群体动力学：使用群体响应归一化奖励来计算优势值
- 高效训练：大幅降低计算和内存开销
优势
- 计算成本显著降低
- 适合需要复杂问题解决和长链思维的推理任务
- 在DeepSeek等大模型中得到应用
对比分析
| 维度 | PPO | DPO | GRPO |
|---|---|---|---|
| 核心原理 | 在线交互的"试错学习" | 离线的"对比学习" | 高效的"组内竞争" |
| 数据形式 | 在线交互序列数据 | 静态成对偏好数据 | 多候选生成提示集 |
| 奖励信号 | 依赖独立奖励模型 | 直接使用二元偏好 | 组内相对比较 |
| 计算复杂度 | 高 | 低 | 中等 |
| 训练稳定性 | 高 | 中等 | 中等 |
| 典型应用 | 游戏AI、机器人控制 | 大模型对齐、风格调整 | 大模型推理能力提升 |
- DPO：强调训练稳定性，但计算成本较高；适合需要根据人类偏好调整模型输出风格的场景，如对话系统、内容生成等
- PPO：追求效率，绕过了复杂的奖励模型；适合需要稳定训练和高性能的强化学习任务，如游戏AI、机器人控制等
- GRPO：在PPO基础上优化，通过群体相对比较降低计算开销；适合大模型推理能力提升，特别是需要复杂问题解决的任务
