SimPO、ORPO 和 DPO 有什么不同？

一句话速记：DPO 需要参考模型、奖励是对数概率比。SimPO 去掉参考模型，用长度归一化的平均对数概率当奖励，再加一个目标间隔 γ；ORPO 也不要参考模型，把 SFT 的 NLL 和一个基于 odds ratio 的偏好项合在一起，一个阶段完成 SFT + 对齐。

偏好优化

同章节的其他八股

• 讲一下 RLHF 的完整流程。
• DPO 的原理？和 PPO 相比有什么优缺点？
• GRPO 是什么？相比 PPO 有哪些改动？
• 什么是 Reward Hacking？怎么缓解？
• PPO 里的 KL 惩罚起什么作用？β 怎么选？
• 什么是 Constitutional AI / RLAIF？
• ORM 和 PRM 有什么区别？
• Value-based、Policy-based、Actor-Critic 的区别？
• GAE（广义优势估计）是什么？λ 怎么理解？
• 什么是重要性采样？在 PPO 中起什么作用？
• PPO 中有哪四个模型？各自作用？
• PPO 的损失函数怎么写？clip 的作用是什么？