DPO能用偏好数据调整模型行为但不能因为损失下降就宣布“百轮人格已经锁定”。在训练之前应先回答一个更小的问题我们累加的究竟是哪几个Token的条件概率因果语言模型在位置t输出的分布预测的是后一个Token。若直接拿同位置的输入标签去gather代码维度可能完全正确目标却错了一位。提示词部分如果也算进偏好得分还会混入与回答选择无关的长度和格式因素。用四个Token看清shiftTRL DPO文档把样本区分为prompt、chosen和rejected。下面不加载TRL也不训练模型只用手写logits演示“下一词对齐后仅计算回答部分”的约定。response_start指完整token序列里回答的起点。import math def log_probability(row, target): m max(row) log_z m math.log(sum(math.exp(x - m) for x in row)) return row[target] - log_z def response_logp(logits, tokens, response_start): if len(logits) ! len(tokens): raise ValueError(one logit row per input position) if not 1 response_start len(tokens): raise ValueError(response must have a preceding position) return sum(log_probability(logits[pos - 1], tokens[pos]) for pos in range(response_start, len(tokens))) def dpo_loss(pi_chosen, pi_rejected, ref_chosen, ref_rejected, beta): z beta * ((pi_chosen - pi_rejected) - (ref_chosen - ref_rejected)) return max(0.0, -z) math.log1p(math.exp(-abs(z))) tokens [0, 1, 2, 1] # prompt[0,1], response[2,1] logits [[9, 0, 0], [0, 0, 8], [0, 8, 0], [0, 0, 0]] score response_logp(logits, tokens, 2) assert -0.01 score 0 # The first prompt-prediction row is excluded. changed [[0, 9, 0]] logits[1:] assert response_logp(changed, tokens, 2) score assert abs(dpo_loss(0, 0, 0, 0, 0.1) - math.log(2)) 1e-12 assert dpo_loss(-1, -3, -2, -2, 1) math.log(2) print(causal shift, prompt mask, DPO scalar loss: PASS)对齐的是训练目标行为仍需评测本地验证证明了这个四Token样本的索引关系和标量损失公式没有梯度更新、分词模板或长会话数据。真实训练还要处理EOS、padding、截断和prompt/chosen/rejected的模板一致性参考模型与策略模型的有效回答掩码也应一致。如果目标是保持说话风格评测集应把“形式一致”与“服从错误设定”分开。用户改变偏好时Agent应响应新指令而不是固守旧人格。风格稳定不该覆盖事实更新和授权边界。IBM Research 10月20日的ALTK-Evolve文章展示的是把学习到的指引加入提示词、没有更新权重的路线。它与DPO是不同干预方式比较时要明确改的是参数还是上下文不宜都归成“模型自己学会了记忆”。研究原文
DPO能用偏好数据调整模型行为但不能因为损失下降就宣布“百轮人格已经锁定”。在训练之前应先回答一个更小的问题我们累加的究竟是哪几个Token的条件概率因果语言模型在位置t输出的分布预测的是后一个Token。若直接拿同位置的输入标签去gather代码维度可能完全正确目标却错了一位。提示词部分如果也算进偏好得分还会混入与回答选择无关的长度和格式因素。用四个Token看清shiftTRL DPO文档把样本区分为prompt、chosen和rejected。下面不加载TRL也不训练模型只用手写logits演示“下一词对齐后仅计算回答部分”的约定。response_start指完整token序列里回答的起点。import math def log_probability(row, target): m max(row) log_z m math.log(sum(math.exp(x - m) for x in row)) return row[target] - log_z def response_logp(logits, tokens, response_start): if len(logits) ! len(tokens): raise ValueError(one logit row per input position) if not 1 response_start len(tokens): raise ValueError(response must have a preceding position) return sum(log_probability(logits[pos - 1], tokens[pos]) for pos in range(response_start, len(tokens))) def dpo_loss(pi_chosen, pi_rejected, ref_chosen, ref_rejected, beta): z beta * ((pi_chosen - pi_rejected) - (ref_chosen - ref_rejected)) return max(0.0, -z) math.log1p(math.exp(-abs(z))) tokens [0, 1, 2, 1] # prompt[0,1], response[2,1] logits [[9, 0, 0], [0, 0, 8], [0, 8, 0], [0, 0, 0]] score response_logp(logits, tokens, 2) assert -0.01 score 0 # The first prompt-prediction row is excluded. changed [[0, 9, 0]] logits[1:] assert response_logp(changed, tokens, 2) score assert abs(dpo_loss(0, 0, 0, 0, 0.1) - math.log(2)) 1e-12 assert dpo_loss(-1, -3, -2, -2, 1) math.log(2) print(causal shift, prompt mask, DPO scalar loss: PASS)对齐的是训练目标行为仍需评测本地验证证明了这个四Token样本的索引关系和标量损失公式没有梯度更新、分词模板或长会话数据。真实训练还要处理EOS、padding、截断和prompt/chosen/rejected的模板一致性参考模型与策略模型的有效回答掩码也应一致。如果目标是保持说话风格评测集应把“形式一致”与“服从错误设定”分开。用户改变偏好时Agent应响应新指令而不是固守旧人格。风格稳定不该覆盖事实更新和授权边界。IBM Research 10月20日的ALTK-Evolve文章展示的是把学习到的指引加入提示词、没有更新权重的路线。它与DPO是不同干预方式比较时要明确改的是参数还是上下文不宜都归成“模型自己学会了记忆”。研究原文
