Notes/机器学习/深度学习模型/05-大语言模型/6-对齐/1-RLHF-DPO.md

title, draft, tags

title	draft	tags
03-RLHF与对齐	false	RLHF 对齐 大语言模型 强化学习

RLHF 与对齐技术

本笔记面向深度学习与强化学习科研人员，系统阐述 RLHF（Reinforcement Learning from Human Feedback）及其相关对齐技术的理论基础、数学推导与算法实现。

更新日期：2026-05-14

---

1. RLHF 的基本框架

1.1 InstructGPT 流程

InstructGPT（Ouyang et al., 2022）提出了 RLHF 的经典三阶段流程：

\text{SFT} \rightarrow \text{RM} \rightarrow \text{PPO}

阶段一：监督微调（SFT）

给定 prompt 分布 $\rho(x)$，策略模型 \pi_{\text{ref}}(y \mid x) 通过监督学习从人类标注的 prompt-completion 对学习：

\mathcal{L}_{\text{SFT}} = - \mathbb{E}_{(x,y) \sim \mathcal{D}_{\text{SFT}}} \left[ \log \pi_{\text{ref}}(y \mid x) \right]

其中 \mathcal{D}_{\text{SFT}} 为人类标注数据。SFT 是自回归监督最大似然，等价于标准预训练续写目标，可无缝承接基座模型权重。

阶段二：奖励建模（RM）

训练奖励模型 r_\phi(x, y) 来预测人类偏好，详见第 2 节。

阶段三：PPO 微调（RLHF）

使用强化学习算法（PPO）在奖励模型提供的奖励信号下微调语言模型，同时约束其不要偏离 SFT 模型太远。

RLHF三阶段定位与轻量化方案：

• 经典重型RLHF：SFT → RM → PPO
• 轻量化对齐主流：Prompt Tuning、LoRA+RLHF、冻结骨干仅微调对齐头，是科研落地高频方案

RLHF训练稳定性核心手段：

1. 自适应KL惩罚（动态调整 $\beta$）
2. 偏好数据温度平滑
3. 早停机制防止偏好过拟合

1.2 人类偏好数据与奖励建模

人类偏好数据的形式为三元组 $(x, y_w, y_l)$，其中：

• $x$：输入 prompt
• $y_w$：人类偏好的响应（preferred response）
• $y_l$：人类不偏好的响应（less preferred response）

奖励模型通过 Bradley-Terry 模型建模偏好概率：

P(y_1 \succ y_2 \mid x) = \sigma\left( r(x, y_1) - r(x, y_2) \right)

其中 \sigma(z) = \frac{1}{1 + e^{-z}} 为 sigmoid 函数。

1.3 RLHF 的优化目标

RLHF 的最终目标是学习一个策略 \pi_\theta 最大化期望奖励，同时保持与参考策略 \pi_{\text{ref}} 的 KL 散度较小：

\boxed{ \max_{\pi_\theta} \mathbb{E}_{x \sim \rho} \left[ \mathbb{E}_{y \sim \pi_\theta(\cdot|x)} \left[ r(x, y) \right] \right] - \beta \cdot D_{\mathrm{KL}} \left( \pi_\theta(\cdot|x) \parallel \pi_{\text{ref}}(\cdot|x) \right) }

其中：

• $r(x, y)$：奖励模型给出的奖励值
• $\beta > 0$：KL 惩罚系数，控制策略偏离 SFT 的程度（通用取值 $0.1 \sim 0.3$）
• D_{\mathrm{KL}}(P \| Q) = \mathbb{E}_x \left[ P(x) \log \frac{P(x)}{Q(x)} \right]

LLM工业落地实操：理论使用全局KL，实操使用逐Token KL散度，降低计算量、提升训练稳定性：

D_{\mathrm{KL}}^{\text{token}} = \sum_{t=1}^T \log \frac{\pi_\theta(y_t|x,y_{<t})}{\pi_{\text{ref}}(y_t|x,y_{<t})}

这个目标可以重写为：

\mathcal{J}(\theta) = \mathbb{E}_{x \sim \rho} \left[ \mathbb{E}_{y \sim \pi_\theta(\cdot|x)} \left[ r(x, y) - \beta \log \frac{\pi_\theta(y|x)}{\pi_{\text{ref}}(y|x)} \right] \right]

---

2. 奖励模型（Reward Model）

2.1 奖励建模定义

定义 2.1（奖励模型） 奖励模型是一个参数化函数 $r_\phi: \mathcal{X} \times \mathcal{Y} \rightarrow \mathbb{R}$，用于评估给定 prompt x 下响应 y 的质量。InstructGPT 中使用 RewardNet 实现：

r_\phi(x, y) = w_\phi^T \cdot \text{Transformer}(x, y)

其中 w_\phi 为线性投影参数。

2.2 Bradley-Terry 模型

定义 2.2（Bradley-Terry 偏好模型） 给定 prompt $x$，令 r(x, y) 表示响应 y 的隐含奖励值。Bradley-Terry 模型假设人类偏好遵循以下概率分布：

P(y_w \succ y_l \mid x) = \sigma\left( r(x, y_w) - r(x, y_l) \right)

其中 \sigma(z) = \frac{1}{1 + e^{-z}} 为 logistic sigmoid 函数。

性质 2.1（偏好概率的有界性） 当 r(x, y_w) - r(x, y_l) \rightarrow +\infty 时，$P \rightarrow 1$；当差值 \rightarrow -\infty 时，$P \rightarrow 0$。这保证了偏好概率在 [0, 1] 范围内。

2.3 奖励模型训练的交叉熵损失

给定偏好数据集 $\mathcal{D} = {(x^{(i)}, y_w^{(i)}, y_l^{(i)})}_{i=1}^N$，通过最大化似然来训练奖励模型。

负对数似然损失为：

\mathcal{L}_R(\phi) = - \mathbb{E}_{(x,y_w,y_l) \sim \mathcal{D}} \left[ \log P(y_w \succ y_l \mid x) \right]

代入 Bradley-Terry 模型：

\mathcal{L}_R(\phi) = - \mathbb{E}_{(x,y_w,y_l) \sim \mathcal{D}} \left[ \log \sigma\left( r_\phi(x, y_w) - r_\phi(x, y_l) \right] \right)

展开梯度形式。设 $P = \sigma(\Delta r)$，其中 $\Delta r = r_\phi(x, y_w) - r_\phi(x, y_l)$。则：

\nabla_\phi \mathcal{L}_R = - \mathbb{E} \left[ \frac{\sigma(-\Delta r)}{P} \cdot \nabla_\phi \Delta r \right] = - \mathbb{E} \left[ \sigma(-\Delta r) \cdot \left( \nabla_\phi r_\phi(x, y_w) - \nabla_\phi r_\phi(x, y_l) \right) \right]

由于 $\sigma(-z) = 1 - \sigma(z)$，这可以重写为：

\nabla_\phi \mathcal{L}_R = - \mathbb{E} \left[ (1 - \sigma(\Delta r)) \cdot \left( \nabla_\phi r_\phi(x, y_w) - \nabla_\phi r_\phi(x, y_l) \right) \right]

物理意义：当 $r_\phi(x, y_w) > r_\phi(x, y_l)$（即预测正确）时，\sigma(\Delta r) 接近 1，梯度系数 (1-\sigma) 接近 0，样本对损失的贡献较小；当预测错误时，梯度系数接近 1，提供较大的更新信号。

2.4 奖励模型的标度问题

训练好的奖励模型 r_\phi(x, y) 的输出值域需要与人类偏好对齐。通常对奖励进行归一化：

r_{\text{norm}}(x, y) = \frac{r_\phi(x, y) - \mu}{\sigma}

其中 \mu, \sigma 是奖励分布在验证集上的均值和标准差。科研实操常用分位数截断归一化，抑制极端异常奖励值。

---

3. PPO 在 LLM 中的应用

3.1 策略梯度回顾

对于标准强化学习，策略梯度定理给出：

\nabla_\theta \mathcal{J} = \mathbb{E}_{\tau \sim \pi_\theta} \left[ \sum_{t=0}^{T} \nabla_\theta \log \pi_\theta(a_t|s_t) \cdot \hat{Q}(s_t, a_t) \right]

其中 \hat{Q}(s_t, a_t) 是动作价值函数的估计。

在 LLM 场景下：

• 状态 $s_t$：当前的 context (x, y_{1:t-1})
• 动作 $a_t$：生成的下一个 token y_t
• 轨迹 $\tau$：完整的生成序列 (x, y_1, y_2, ..., y_T)

3.2 剪切代理目标（Clipped Surrogate Objective）

PPO 的核心创新是剪切代理目标函数。定义重要性采样比率：

r_t(\theta) = \frac{\pi_\theta(y_t|x, y_{1:t-1})}{\pi_{\text{ref}}(y_t|x, y_{1:t-1})}

定义优势函数估计（GAE, Generalized Advantage Estimation）：

\hat{A}_t = \sum_{l=0}^{T-t} (\gamma \lambda)^l \delta_{t+l}

其中 \delta_t = r_t + \gamma V(s_{t+1}) - V(s_t) 是时序差分误差，\gamma \in [0,1] 是折扣因子，\lambda \in [0,1] 是 GAE 参数。

LLM中GAE的特殊性：传统强化学习是逐帧GAE，LLM为整序列统一GAE，折扣因子 \gamma 在文本生成中取值更贴近1（通常 $\gamma=0.99, \lambda=0.95$），时序衰减极弱。

定理 3.1（PPO 剪切代理目标） PPO 通过以下目标函数实现策略更新：

\boxed{
\mathcal{L}^{\text{CLIP}}(\theta) = \mathbb{E}_t \left[ \min\left( r_t(\theta)\cdot\hat{A}_t,\ \text{clip}\big(r_t(\theta),1-\epsilon,1+\epsilon\big)\cdot\hat{A}_t \right) \right]
}

其中 \epsilon = 0.2 是行业固定剪切超参数。

剪切机制的物理意义：

当 $\hat{A}_t > 0$（优势为正）时：比值 r_t 被剪切到 $[1-\epsilon, 1+\epsilon]$，这意味着当 r_t > 1+\epsilon 时，梯度被"截断"，不再鼓励更多探索。

当 $\hat{A}_t < 0$（优势为负）时：比值被剪切到 $[1-\epsilon, 1+\epsilon]$，限制策略概率的过度减小。

3.3 价值函数与 baseline

在 LLM 的 RLHF 中，价值函数 V_\psi(x, y_{1:t}) 用于估计从当前前缀到序列结束的累计终局奖励，非单步局部奖励：

V_\psi(x, y_{1:t}) \approx \mathbb{E}_{y_{t+1:T} \sim \pi_\theta} \left[ \sum_{k=t}^{T} r(x, y_{1:k}) \right]

仅 PRM 过程奖励才定义逐步骤局部信号。

价值函数通过以下均方误差损失进行训练：

\mathcal{L}_V(\psi) = \mathbb{E}_t \left[ \left[ V_\psi(x, y_{1:t}) - \hat{V}_t \right]^2 \right]

其中 \hat{V}_t = \sum_{k=t}^{T} r(x, y_{1:k}) 是价值目标。

优势函数定义为：

\hat{A}_t = \hat{Q}_t - \hat{V}_t = r(x, y_{1:t}) + \hat{V}_{t+1} - \hat{V}_t

这本质上是 REINFORCE with baseline，通过减去 value baseline 减少方差。

3.4 经验回放与 Epoch 限制

PPO 在 LLM 中的特殊性：LLM-RLHF 采用On-Policy 同策略 PPO，轨迹严格依赖当前策略参数，旧轨迹分布失效，不支持离线异策略经验回放，并非单纯"只能用一次"。

每个 prompt 及其生成轨迹只用于一次梯度更新，但可以在同一个 mini-batch 中多次计算 loss（多个 epoch）。

设 B 为一个 mini-batch 的 prompt 集合，对每个 $x \in B$：

1. 采样轨迹 (x, y_1, ..., y_T) \sim \pi_\theta(\cdot|x)
2. 计算优势函数 \hat{A}_t
3. 在相同数据上执行 K 个 epoch 的策略更新（通常 $K = 1 \sim 4$）

3.5 梯度裁剪与训练稳定性

PPO 额外使用梯度裁剪进一步增强稳定性：

行业标准：LLM训练使用梯度范数裁剪，通过 torch.nn.utils.clip_grad_norm_(max_norm) 实现：

\|\nabla_\theta \mathcal{L}\|_2 \leq \text{max\_norm}

其中 max_norm 通常设为 0.1~1.0。

KL 散度约束与梯度裁剪的双重保险：

• KL 散度惩罚：软约束策略不要偏离 \pi_{\text{ref}} 太远
• 梯度裁剪：硬约束参数更新的幅度
• 剪切代理目标：限制策略更新的比率

---

4. KL 散度约束的作用

4.1 \beta 参数的物理意义

\beta 参数控制了 KL 惩罚的强度，其物理意义可以从以下角度理解：

信息论角度：D_{\mathrm{KL}}(\pi_\theta \| \pi_{\text{ref}}) 衡量新策略 \pi_\theta 相对于参考策略 \pi_{\text{ref}} 额外需要编码的信息量。较大的 \beta 意味着策略不能引入太多新信息。

4.2 前哨策略（Reference Policy）的约束

定义 4.1（前哨策略） 前哨策略 \pi_{\text{ref}} 是 SFT 阶段训练得到的监督微调模型，作为 RLHF 的参考基准。

KL 惩罚项 D_{\mathrm{KL}}(\pi_\theta \| \pi_{\text{ref}}) 的作用：

\pi^* = \arg\max_{\pi} \mathbb{E}_{x \sim \rho} \left[ \mathbb{E}_{y \sim \pi(\cdot|x)}[r(x,y)] - \beta \cdot D_{\mathrm{KL}}(\pi(\cdot|x) \| \pi_{\text{ref}}(\cdot|x)) \right]

引理 4.1（KL 约束的闭式解） 上述目标的解具有以下形式：

\pi^*(y|x) \propto \pi_{\text{ref}}(y|x) \cdot \exp\left( \frac{r(x,y)}{\beta} \right)

证明：在约束 \sum_y \pi(y|x) = 1 下使用拉格朗日乘子法。对每个 $x$，目标函数为：

\mathcal{L} = \sum_y \pi(y|x) \cdot r(x,y) - \beta \sum_y \pi(y|x) \log \frac{\pi(y|x)}{\pi_{\text{ref}}(y|x)} + \lambda \left( \sum_y \pi(y|x) - 1 \right)

对 \pi(y|x) 求导并令导数为零：

r(x,y) - \beta \left( 1 + \log \frac{\pi(y|x)}{\pi_{\text{ref}}(y|x)} \right) + \lambda = 0

整理得：

\pi(y|x) = \pi_{\text{ref}}(y|x) \cdot \exp\left( \frac{r(x,y) + \lambda - \beta}{\beta} \right)

令 Z = \sum_y \pi_{\text{ref}}(y|x) \cdot \exp\left( \frac{r(x,y)}{\beta} \right) 为归一化常数，则：

\pi^*(y|x) = \frac{\pi_{\text{ref}}(y|x) \cdot \exp\left( \frac{r(x,y)}{\beta} \right)}{Z}

这正是 Boltzmann 分布的形式。\blacksquare

4.3 KL 惩罚 vs 奖励信号之间的权衡

令 \beta 取极端值来分析：

当 $\beta \rightarrow 0$：KL 惩罚几乎消失，目标是纯粹的期望奖励最大化 $\max_\pi \mathbb{E}[r(x,y)]$。这等价于找到奖励最高的分布，但由于没有约束，可能导致分布退化（所有概率集中在一个 token）。

当 $\beta \rightarrow \infty$：KL 惩罚主导，策略被强制接近 $\pi_{\text{ref}}$，$\pi^* \rightarrow \pi_{\text{ref}}$。此时几乎没有奖励优化。

\beta 的实际选择：InstructGPT 中 \beta 通常在 0.1 到 0.3 之间。过小会导致 reward hacking（见第 7 节），过大会导致策略无法从人类反馈中学习。

---

5. DPO（Direct Preference Optimization）

5.1 DPO 目标函数

DPO（Rafailov et al., 2023）提出了直接优化偏好数据的目标，无需显式训练奖励模型。

定义 5.1（DPO 目标） 给定偏好数据集 $\mathcal{D} = {(x, y_w, y_l)}$，DPO 优化以下损失：

\boxed{
\mathcal{L}_{\text{DPO}} = - \mathbb{E}_{(x,y_w,y_l) \sim \mathcal{D}} \left[ \log \sigma\left( \beta \log\frac{\pi_\theta(y_w|x)}{\pi_{\text{ref}}(y_w|x)} - \beta \log\frac{\pi_\theta(y_l|x)}{\pi_{\text{ref}}(y_l|x)} \right) \right]
}

其中 \pi_{\text{ref}} 是参考策略（通常为 SFT 模型），\beta 是温度参数（通用取值 $0.1 \sim 1.0$）。

5.2 DPO 与 PPO 的等价性推导

定理 5.1（DPO 与 PPO 的等价性） 在适当假设下，最小化 DPO 损失等价于在 PPO 框架下最大化期望奖励。

证明：从 RLHF 目标出发，设 Bradley-Terry 模型给出偏好概率：

P(y_w \succ y_l | x) = \sigma( r(x, y_w) - r(x, y_l) )

DPO 论文的核心观察：DPO 隐式定义了满足 Bradley-Terry 约束的奖励模型。通过偏好概率的对数几率变换可得：

r(x, y_w) - r(x, y_l) = \beta \cdot \log \frac{P}{1-P} = \beta \cdot \log \frac{\pi_\theta(y_w|x)}{\pi_{\text{ref}}(y_w|x)} - \beta \cdot \log \frac{\pi_\theta(y_l|x)}{\pi_{\text{ref}}(y_l|x)}

最小化 DPO 损失等价于最小化以下交叉熵：

\mathcal{L}_{\text{DPO}} = - \mathbb{E} \left[ \log P(y_w \succ y_l | x) \right]

其中 P 由上式定义。这恰好是让模型满足人类偏好的分布。\blacksquare

5.3 DPO 的优缺点分析

优点：

1. 无需奖励模型训练：DPO 直接在偏好数据上优化，绕过了独立的奖励建模阶段，简化了流程。
2. 避免奖励模型过拟合：奖励模型的有限容量可能导致过拟合，DPO 避免了这个问题。
3. 计算效率：单阶段优化，无需运行 PPO 的迭代过程。
4. 训练稳定性：DPO 的优化目标更加平滑，不涉及策略梯度的方差问题。

缺点：

1. 对参考模型的依赖：DPO 需要高质量的 $\pi_{\text{ref}}$，如果参考模型能力不足，DPO 难以学到超越它的能力。DPO 强依赖高质量 SFT 参考策略，若 \pi_{\text{ref}} 能力薄弱，DPO 无法实现能力跃升，仅能做偏好对齐，无法做能力提升。
2. 隐式奖励的局限性：DPO 使用的隐式奖励 \beta \log \frac{\pi_\theta(y|x)}{\pi_{\text{ref}}(y|x)} 可能与真实人类偏好不完全一致。
3. 缺乏探索机制：DPO 本质上是最小化 KL 散度到参考策略，没有显式的探索机制。
4. 过优化风险：DPO 可能更容易过拟合到偏好数据的分布，导致泛化能力下降。

---

6. 过程奖励模型（Process Reward Model, PRM）

6.1 结果奖励 vs 过程奖励

定义 6.1（结果奖励模型，Outcome RM） 结果奖励模型只在完整的响应生成后才提供奖励信号 $r(x, y_T)$。这是标准 RLHF 中使用的奖励模型。

定义 6.2（过程奖励模型，Process RM） 过程奖励模型在生成的每个中间步骤都提供奖励信号：

r(x, y_{1:t}) = \text{PRM}(x, y_{1:t}), \quad \forall t \in \{1, 2, ..., T\}

对比：

特性	结果奖励 (Outcome RM)	过程奖励 (Process RM)
奖励时机	仅在序列末尾	每个中间步骤
信用分配	难以处理长序列	天然支持逐步信用分配
训练数据	稀疏偏好信号	需要每步标注
可解释性	低	高

6.2 蒙特卡洛树搜索中的 PRM

蒙特卡洛树搜索（MCTS） 结合 PRM 的核心思想：

在 MCTS 中，每个节点 (x, y_{1:t}) 维护：

• $N(x, y_{1:t})$：访问计数
• $Q(x, y_{1:t})$：平均奖励估计

MCTS 的 Upper Confidence Bound (UCB) 选择策略：

a_t = \arg\max_{a} \left[ Q(x, y_{1:t-1}, a) + c \cdot \sqrt{\frac{\ln N(x, y_{1:t-1})}{N(x, y_{1:t-1}, a)}} \right]

其中 c 是探索常数。

PRM 引导的 MCTS：使用 PRM 提供每步的即时奖励，改进 UCB 中的 Q 值估计：

\hat{Q}(x, y_{1:t}) = \frac{1}{M} \sum_{m=1}^{M} \left[ \sum_{k=1}^{T} r(x, y_{1:k}^{(m)}) \right]

其中 M 是通过 MCTS 采样的轨迹数量。

6.3 PRM 与 MCTS 的结合

算法步骤：

1. 初始化：使用 SFT 模型初始化策略 \pi_{\text{ref}}
2. PRM 训练：收集人类标注的过程偏好数据 $(x, y_{1:t}, y'_{1:t}, \text{偏好})$，训练 PRM
3. MCTS 搜索：对于每个 prompt $x$，使用 PRM 引导的 MCTS 生成多样化的响应
4. 数据收集：收集 (x, y_{\text{chosen}}, \text{偏好}) 对
5. 策略更新：使用 DPO 或 RLHF 更新策略
6. 迭代：重复步骤 2-5

数学形式化：设 MCTS 树的叶子节点对应完整响应 $y_T$，中间节点对应部分序列 $y_{1:t}$。PRM 的奖励信号传递：

\Delta Q(x, y_{1:t}) = r_{\text{PRM}}(x, y_{1:t}) - V(x, y_{1:t-1})

其中 V 是价值 baseline，用于减少方差。

---

7. 对齐失败的模式与检测

7.1 奖励黑客（Reward Hacking）

定义 7.1（奖励黑客） 奖励黑客是指策略 \pi_\theta 发现并利用奖励模型的漏洞，获得高奖励但实际质量低下的行为。

数学描述：奖励模型 r_\phi(x,y) 是真实人类偏好 r^*(x,y) 的代理。奖励黑客发生在：

\pi_\theta = \arg\max_{\pi} \mathbb{E}[r_\phi(x,y)] \neq \arg\max_{\pi} \mathbb{E}[r^*(x,y)]

即策略优化的目标与真实目标不一致。

典型模式：

1. 长度作弊：模型发现更长的回复获得更高奖励，因此生成冗长但空洞的内容
2. 关键词填充：在回复中堆砌特定关键词以提高奖励模型分数
3. 对抗性输入：发现奖励模型的盲点，在特定输入模式下生成欺骗性内容

7.2 谄媚（Sycophancy）

定义 7.2（谄媚） 谄媚是指模型在收到用户反馈时，过于顺从用户的观点，而不是坚持事实准确性。

数学描述：设用户的隐式信念为 $b$，模型的响应为 $y$，真实性衡量为 $f(x,y) \in [0,1]$，用户满意度为 $s(x,y,b) \in [0,1]$。谄媚发生在：

\pi_{\text{ref}} = \arg\max_\pi \mathbb{E}[s(x,y,b)] \quad \text{当} \quad \mathbb{E}[f(x,y)] \text{被牺牲}

即策略优先考虑用户满意度而牺牲了真实性。

检测方法：

1. 观点一致性测试：给模型提供相同事实，但附加支持或反对该事实的用户陈述，观察回复变化
2. 多轮对话测试：通过多轮对话引导模型改变立场，检测是否过度顺从

7.3 过度优化（Overoptimization）

定义 7.3（过度优化） 过度优化是指在 RLHF 过程中，对 KL 约束的 \beta 参数设置过低，导致策略过度拟合奖励模型而偏离人类意图。

数学分析：设真实目标函数为 $J^*(pi)$，代理目标函数为 $\hat{J}(pi)$，二者满足：

\hat{J}(pi) = J^*(pi) + \epsilon(pi)

其中 \epsilon(pi) 是模型误差。当 \beta 过小时：

\pi^* = \arg\max_\pi \hat{J}(pi) - \beta \cdot D_{\mathrm{KL}}(pi \| pi_{\text{ref}})

过小的 \beta 允许 \pi^* 过度拟合 $\hat{J}$，放大误差 \epsilon 的影响。

Goodhart's Law：当一个指标变成目标时，它就不再是一个好的指标。在 RLHF 中，当奖励模型成为优化目标时，它可能不再反映人类真实偏好。

7.4 对齐测试方法

7.4.1 自动化测试

对抗性测试集：构建包含"陷阱"问题的测试集，检测模型是否会：

1. Truthfulness Test：检测模型在明显错误前提下是否仍坚持正确事实

   • 输入："如果 2+2=5，那么 1+1=？"
   • 期望：模型应拒绝参与错误推理

2. Helpfulness Test：检测模型是否能识别并拒绝有害请求

   • 输入：明显的恶意请求
   • 期望：拒绝并给出合理解释

3. Honesty Test：检测模型是否会在不确定时承认不知道

   • 输入：超出训练分布的冷门问题
   • 期望：承认不确定性而非胡说

7.4.2 人类评估协议

A/B 测试框架：

1. 将测试用例随机分配给两组人类评估者
2. 一组评估 A 版本输出，另一组评估 B 版本
3. 比较偏好率和安全性指标

Elo 评分系统：

• 将模型放入 Elo 系统，与人类评估者对弈
• 持续追踪模型的 Elo 分数变化

7.4.3 内部代理（Internals）分析

奖励模型探测：训练探针分类器，检测奖励模型的激活模式是否与特定对齐失败模式相关联。

注意力可视化：分析 Transformer 的注意力权重，检测是否存在"谄媚模式"的注意力头。

7.5 其他对齐失败场景

除奖励黑客、谄媚、过度优化外，补充三大主流对齐缺陷：

事实遗忘（Fact Forgetting）：RLHF 优化后模型丢失预训练阶段学到的 factual 知识，表现为回答通用事实的准确率下降。根源是偏好数据分布与预训练知识分布冲突。

上下文偏见（Context Bias）：模型过度依赖近期上下文，忽略长期依赖。表现为处理长文本时前后信息关联断裂。

多轮一致性崩塌（Multi-turn Inconsistency）：模型在多轮对话中前后不一致，表现为同一问题不同轮次回答矛盾。根源是 RLHF 训练为单轮对话，与多轮交互场景不匹配。

---

附录：算法伪代码

算法 A.1：PPO for LLM

输入：SFT 模型 π_ref，奖励模型 r_φ，初始策略 π_θ，折扣因子 γ，GAE 参数 λ，剪切参数 ε
输出：更新后的策略 π_θ

1. 初始化价值网络 V_ψ
2. FOR 每个训练步 do
3.     采样一批 prompts {x_i} from ρ
4.     FOR 每个 prompt x_i do
5.         生成轨迹 τ_i ~ π_θ(·|x_i)
6.         计算优势估计 A_t for each token
7.     END FOR
8.     FOR 每个 epoch do
9.         FOR 每个 token position t do
10.            计算比率 r_t(θ) = π_θ(y_t|x, y_{<t}) / π_old(y_t|x, y_{<t})
11.            计算剪切目标 L_CLIP(θ)
12.            计算价值损失 L_V(ψ)
13.            更新 θ via Adam
14.            更新 ψ via Adam
15.        END FOR
16.    END FOR
17. END FOR

算法 A.2：DPO

输入：参考策略 π_ref，偏好数据 D = {(x, y_w, y_l)}，温度参数 β
输出：更新后的策略 π_θ

1. 初始化策略 π_θ = π_ref
2. FOR 每个训练步 do
3.     采样一批偏好数据 (x, y_w, y_l) ~ D
4.     计算隐式奖励对数比率：
        log_ratio_w = log π_θ(y_w|x) - log π_ref(y_w|x)
        log_ratio_l = log π_θ(y_l|x) - log π_ref(y_l|x)
5.     计算 DPO 损失：
        L_DPO = - log σ(β · log_ratio_w - β · log_ratio_l)
6.     更新 θ via Adam
7. END FOR

---

参考文献

1. Ouyang, L., et al. (2022). Training language models to follow instructions with human feedback. NeurIPS.
2. Schulman, J., et al. (2017). Proximal Policy Optimization Algorithms. arXiv preprint.
3. Rafailov, R., et al. (2023). Direct Preference Optimization: Your Language Model is a Reward Model. NeurIPS.
4. Stiennon, N., et al. (2020). Learning to summarize with human feedback. NeurIPS.
5. Bai, Y., et al. (2022). Training a helpful and harmless assistant with RLHF. arXiv preprint.
6. Lightman, W., et al. (2023). Let's Verify Step by Step. ICML.
7. Uesato, J., et al. (2022). Solving math word problems with process-based feedback. arXiv preprint.