今天先停在 DPO 小批量训练之前。

这一阶段没有把 DPO 当成一个需要马上跑通的训练脚本,而是先拆开它最基本的概念和计算链路:什么是 chosen / rejected,怎样计算一段输出的 logprob,参考模型起什么作用,score 和 loss 如何产生,以及一次真实更新为什么会过于激进。

当前状态是:DPO 概念、偏好数据、模板编码和单步验证已完成;批量训练、checkpoint 和训练后的行为评估尚未开始。

一、SFT 与 DPO:模仿答案,还是学习偏好

SFT 的目标比较直接:给模型一个标准回答,让它学习怎样生成。

DPO(Direct Preference Optimization)关注的是同一个 Prompt 下两个回答的相对关系:

Chosen:希望模型更倾向的回答
Rejected:希望模型少倾向的回答

Rejected 不一定是绝对错误,也可能只是没有 Chosen 好。例如两个答案都正确,但一个简洁、一个啰嗦。DPO 不是给所有场景规定两个绝对方向,而是学习同一个 Prompt 下的相对偏好。

本轮的起点和参考模型都使用原始 Qwen3-0.6B Instruct。这样可以从原生 CoT 能力出发,研究“简短、正确、结构完整”的回答偏好,而不是先修复上一轮 SFT 造成的行为退化。

二、偏好数据长什么样

第一版偏好探针使用:

{
  "messages": [
    {"role": "system", "content": "你是一个乐于助人的 AI 助手。"},
    {"role": "user", "content": "37 × 6 等于多少?请简短推理并给出最终数字。"}
  ],
  "chosen": "<think>\n30 × 6 = 180,7 × 6 = 42。\n180 + 42 = 222。\n</think>\n\n222",
  "rejected": "<think>\n让我先想一下……</think>\n\n226"
}

messages 负责提供上下文,chosen / rejected 是候选 Assistant 输出。计算序列概率时,只累计候选输出中目标 token 的 logprob,不把 Prompt 当作需要生成的答案。

三、序列 logprob:模型怎样给一段回答打分

对一段 Assistant 输出:

log p(token₁, token₂, ..., tokenₙ)
= 每个目标 token 的 log 概率之和

logprob 越接近 0,模型分配的序列概率越高;越负,概率越低。长回答通常也会累积更大的负值,因此不能只凭总 logprob 判断回答质量。

本轮原始探针得到:

输出 序列 logprob Token 数 平均每 token logprob
Chosen -46.830143 41 -1.142199
Rejected -152.992218 74 -2.067462

差值为:

-46.830143 - (-152.992218) = +106.162075

这表示原始模型给 Chosen 的序列概率更高,不是“好 106%”。同时,这个探针里原始模型本来就很偏好 Chosen,因此它适合演示计算,但未必能提供很强的训练信号。

核心计算使用:

with torch.set_grad_enabled(require_grad):
    logits = model(inputs)
    log_probs = torch.log_softmax(logits, dim=-1)
    token_logprobs = log_probs.gather(
        -1,
        safe_targets.unsqueeze(-1),
    ).squeeze(-1)

    mask = targets != -100
    total = (token_logprobs * mask).sum()

targets 必须和 inputs 一样保留 Batch 维度,否则 gather 时会出现维度错误。

四、参考模型与 DPO loss

DPO 真正优化的不是简单的 chosen - rejected,而是当前模型相对参考模型的偏好变化:

score =
  (policy_chosen_logprob - reference_chosen_logprob)
  -
  (policy_rejected_logprob - reference_rejected_logprob)

损失形式为:

loss = -log sigmoid(β × score)

训练刚开始时,policy 和 reference 使用同一份权重:

score = 0
loss = -log sigmoid(0) = ln 2 ≈ 0.693147

本轮 beta=0.1 时,探针实际得到:

{
  "score": 0.0,
  "loss": 0.6931471824645996
}

这验证了 DPO 初始计算链路。参考模型的作用是提供一个锚点,避免只追求偏好差值而把模型推得太远。

指标复盘:我的理解与需要保留的边界

在真正开始批量训练前,我又把 DPO 中几个容易混淆的指标从头过了一遍。这里同时记录最初的直觉和修正后的理解,避免只保留最后一句定义。

1. token 概率不是 logits,sequence_logprob 也不是字符串距离

模型在每个位置先返回整个词表的 logits。它们是原始打分,有正有负,也不要求总和为 1:

logits
→ softmax:整个词表的概率分布
→ log:整个词表的 log 概率分布
→ gather:取目标 token 对应的 logprob

如果目标序列是 a b c,序列概率不是三个独立概率的乘积,而是:

p(a | prompt)
× p(b | prompt, a)
× p(c | prompt, a, b)

取自然对数后,连乘变成连加:

log p(a,b,c)
= ln p(a | prompt)
+ ln p(b | prompt, a)
+ ln p(c | prompt, a, b)

我一开始把 sequence_logprob 理解成“生成序列与目标序列的距离”,认为越接近 0 就越接近正确答案。这个理解需要修正:

sequence_logprob 是模型给目标序列分配的条件概率的 log 值,不是编辑距离,也不是正确率。

越接近 0,说明模型越倾向于生成这条目标序列。如果目标本身是错误答案,模型也可能非常自信地错误。只有目标确实是正确回答时,才能进一步解释为对正确答案的倾向增强。

mean_logprob_per_token 只是长度归一化后的观察指标,不是 DPO 的优化目标。

2. chosen_minus_rejected 是当前模型的原始偏好差

chosen_minus_rejected
= sequence_logprob(chosen) - sequence_logprob(rejected)

也可以写成:

log [p(chosen) / p(rejected)]

我的理解是:

  • 大于 0:当前模型更倾向 Chosen;
  • 小于 0:当前模型更倾向 Rejected;
  • 等于 0:两者的序列概率相同;
  • 差值的绝对值越大,说明当前模型对两者的概率倾向差异越大。

但它仍然不是质量分:一方面它不代表哪个回答客观上更正确,另一方面序列 logprob 会受回答长度影响,不能把它当成跨样本公平比较的指标。

3. score 是两个模型的偏好差之差

设 A 为训练前的参考模型,B 为训练后的 policy:

policy_chosen = B 给 Chosen 的 sequence_logprob
policy_rejected = B 给 Rejected 的 sequence_logprob
reference_chosen = A 给 Chosen 的 sequence_logprob
reference_rejected = A 给 Rejected 的 sequence_logprob

policy_chosen 不是 chosen_minus_rejected,而是单独对 Chosen 的序列 logprob 计算。

先分别计算两个模型的原始偏好差:

diff_A = A_chosen - A_rejected
diff_B = B_chosen - B_rejected

DPO 的 score 是:

score = diff_B - diff_A

展开就是:

(B_chosen - A_chosen)
-
(B_rejected - A_rejected)

我最初写成了 diff_A - diff_B,虽然“拆开比较两个模型”的思路是对的,但顺序反了,整个符号也会相反。正确方向是训练后减训练前。

score > 0 表示训练后模型对 Chosen 相对于 Rejected 的偏好优势增强了;score < 0 表示这个相对优势减弱了。

但 score 仍不是整体能力分:

  • 它不能说明最终答案一定更正确;
  • 它不能说明 CoT 格式一定更好;
  • 它不能说明其他能力没有被破坏;
  • 它也不能单独区分是 Chosen 提高、Rejected 降低,还是两者同时变化。

所以必须继续查看两个候选各自的 logprob 分量。

4. loss 是偏好关系的 logistic loss

loss = -log sigmoid(β × score)

在 β 固定时,score 增大,loss 降低;score 减小,loss 升高。

它与 SFT 的 token 级交叉熵不同,优化的是偏好关系。loss 下降说明偏好优化方向符合目标,不代表模型整体能力一定提升。

5. β 是偏好压力旋钮,不是学习率或百分比

我暂时把 β 理解为偏好压力旋钮:

β 较小:偏好压力通常更温和
β 较大:偏好压力通常更强

但 β 不是“采用多少比例的更新”,也不是直接乘在参数更新上的 LR。它先把 score 缩放,再进入 sigmoid,影响 loss 的非线性变化和偏好约束强度。

实际更新幅度由 β、score、LR、优化器和梯度裁剪共同决定。

6. grad norm 是梯度向量长度,不是平均梯度

grad norm = sqrt(所有梯度值的平方和)

它通常是一次反向传播后,所有可训练参数梯度拼成的长向量的 L2 范数,用来观察整体梯度规模。

流程是:

loss.backward()
→ 计算 grad norm
→ 可选:梯度裁剪
→ optimizer.step()

因此要把几个概念分开:

  • loss:优化目标;
  • β:偏好压力;
  • grad norm:梯度规模;
  • LR:实际更新步长;
  • optimizer:决定梯度如何转换为参数更新。

昨天的实验还说明,整体裁剪梯度不一定能显著改变 Adam 的单步更新;直接降低 LR 才真正缩小了 score 和 logprob 的变化幅度。

7. 现在对整组指标的理解

sequence_logprob:模型给某段输出的序列概率
chosen_minus_rejected:当前模型对两个候选的原始偏好差
score:当前模型相对参考模型的偏好变化
loss:把 score 转成可优化目标
β:偏好压力旋钮
grad norm:反向传播得到的整体梯度规模

这些指标都不能单独回答“模型能力是否提升”。最后仍要回到 answer_correct、CoT 格式、输出长度、自然结束和旧能力保持。

五、一次真实单步更新:loss 下降不等于能力提升

使用冻结的参考模型和可训练的 policy,执行一次真实的 loss.backward() 与 optimizer.step()。

在 peak_lr=1e-6 时:

before score = 0
before loss = 0.693147
grad norm = 268.085846

after score = 35.349922
after loss = 0.028742

更新前后两个候选的序列 logprob 为:

Chosen:  -46.830143 → -44.240398
Rejected:-152.992218 → -185.752396

这意味着:

  • Chosen 提高了约 2.59;
  • Rejected 被压低约 32.76;
  • score 的大幅提升主要来自 Rejected 被压低,而不是 Chosen 变好了多少。

因此,DPO loss 下降不自动等于模型能力提升。如果更新过猛,仍可能破坏其他正常输出。

六、梯度裁剪生效,为什么输出却几乎不变

加入:

torch.nn.utils.clip_grad_norm_(
    policy_model.parameters(),
    max_norm=1.0,
)

裁剪后实际梯度范数为 1,但 score 和 logprob 几乎不变。

原因是梯度裁剪对所有梯度做同比例缩放,而 Adam 的更新会进行一阶、二阶动量归一化。整体缩放后,方向与归一化结果可能非常接近,尤其在单步、无 weight decay 的情况下。

所以这次得到的工程结论是:

梯度裁剪可以限制梯度规模,但不能代替降低学习率来控制 Adam 的实际更新幅度。

七、LR=1e-7:更温和的单步变化

将学习率从 1e-6 降到 1e-7,保留 beta=0.1 和 grad clip=1.0:

指标 LR=1e-6 LR=1e-7
score change 35.333 3.698
更新后 loss 0.0288 0.5252
Chosen 变化 +2.588 +0.339
Rejected 变化 -32.745 -3.359

学习率缩小 10 倍后,score 变化也大约缩小 10 倍,更新方向没有改变,但明显温和得多。

因此当前候选起点是:

LR = 1e-7
beta = 0.1
grad clip = 1.0

它只是一个偏好探针得出的候选配置,不能据此宣称是正式训练的最佳配置。

八、DPO 编码:Prompt 与候选输出必须分开处理

本次还实际遇到了一个模板问题:如果把 chosen / rejected 也交给 Chat Template 重新渲染,模板可能拆分、清理甚至重写思考标签,导致 malformed 的原始输出被“修正”。

最后的正确分工是:

prefix_text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True,
)
full_text = prefix_text + response + "<|im_end|>\n"

也就是:

  • Prompt 使用官方 Chat Template;
  • chosen / rejected 作为原始候选输出直接追加;
  • 不让模板二次修改候选回答;
  • 再从 prefix / full 的 token 长度计算目标区间。

这样正常 CoT 与空思考、缺失标签、标签交错等 malformed 输出都能保留原始形式进入 logprob 计算。

九、32 + 8 条偏好数据与审计

本轮合成偏好数据分为四种 rejected 类型:

pair_type Train Val
verbose_correct 8 2
verbose_wrong 8 2
repetition 8 2
malformed 8 2
合计 32 8

每类内部,单轮算术与多轮数值更新各占一半。

数据要求:

  • Chosen 必须是简短、正确、结构完整的 CoT;
  • verbose_correct 的 Rejected 答案正确但明显啰嗦;
  • verbose_wrong 的 Rejected 含明确计算或最终答案错误;
  • repetition 包含重复或自我怀疑;
  • malformed 包含空思考、缺失标签、前置乱码或结构混乱。

i4_dpo_data_audit.py 实际验证:

  • 样本数量、任务比例和四种 pair_type 数量;
  • Chosen 的 CoT 格式、最终答案和中间算式;
  • Rejected 是否符合对应类型;
  • train / val 无重复 Prompt;
  • 与已有 smoke、非 CoT、CoT 数据无重复显式算式;
  • 行为基线排除项未命中;
  • 全部 chosen / rejected 均通过偏好编码。

审计输出为:

train chosen equations checked: 37
val chosen equations checked: 8
preference encoding: passed
train / val prompt overlap: 0
existing-data expression overlap: 0
exclusion checks: passed
全部 DPO 数据审计通过

这些是合成偏好数据,不代表人工标注,也不代表通用能力结论。

十、今晚的停止边界

今天完成的是:

  • DPO 基本概念与数据契约;
  • 序列 logprob、score 和初始 loss;
  • 单步更新、梯度范数与 Adam 缩放现象;
  • LR=1e-7 的温和更新;
  • 偏好数据与完整编码审计。

尚未完成:

  • 小批量 DPO 训练;
  • DPO checkpoint;
  • 训练后的答案正确率、CoT 格式、输出长度和能力保持评估;
  • LoRA / 全参对照;
  • RLVR / GRPO。

所以当前不能写成“DPO 已提升模型”。准确状态是:DPO 的数据、计算和单步工程验证已经准备完成,下一步才是小批量训练与行为对照。

今晚先到这里,保留已有 checkpoint、报告、偏好数据和编码实现,明天从批量 DPO 开始即可。

附:参数规模、垂直领域与能力权衡

在后训练实验之外,我又梳理了一次自己对“为什么做垂直领域微调”的认知。这不是一个已经证明的结论,而是后续选择模型、数据和评测目标时的一套假设。

1. 我目前的三个判断

第一,参数规模决定模型的能力上限。大厂在固定参数下训练出的通用模型,大概率希望成为六边形战士;但垂直领域并不一定需要六边形战士。

例如做架构设计时,我可以接受模型在数学、科研等领域不那么突出,把有限的容量和训练预算集中到架构领域,换取这一领域内的大幅度提升。

第二,一个 27B 模型经过合适的领域微调,如果能在架构设计这一明确任务范围内,与 100B+ 的通用模型打得有来有回,就已经足够有价值。这里追求的不是全面替代更大的模型,而是在垂直场景中形成实际优势。

第三,大厂基础模型已经做了大量通用优化。对具体使用者来说,微调、SFT、DPO 等方法更像是在做权衡和有的放矢,而不是继续追求全面提升。微调前需要明确要突出哪一方面,也要接受这更像系统架构中的 trade-off。

2. 需要补充的第一条边界:参数规模不是唯一变量

参数规模影响模型容量、知识承载和复杂推理上限,但同样规模的模型,实际能力还可能受这些因素影响:

  • 训练数据质量与覆盖;
  • 训练 token 量和计算量;
  • 架构与训练方法;
  • 后训练方式;
  • 推理时的上下文、工具、检索和思考预算。

因此,27B 模型在垂直领域挑战更大的通用模型是合理目标,尤其是在任务边界清楚、领域数据质量高、评价标准明确的情况下。

但这不代表它获得了大模型的全部能力,更可能是把有限容量集中到了一个更窄、更有价值的任务分布内。

3. 需要补充的第二条边界:领域提升不必然牺牲其他能力,但一定存在权衡风险

微调并不是每次都必须“数学下降,架构上升”。如果数据混合合理、训练强度适当,也可能在保留通用能力的同时提升领域表现。

但 I4 的实验已经给出了真实例子:

格式能力提升
→ 名字记忆出现回退

数值更新提升
→ 部分算术正确率回退

偏好 loss 降低
→ 最终行为没有同步改善

所以真正需要管理的是:

我愿意接受哪些能力损失,以及怎样通过 eval 及时发现实际发生的损失。

有些损失是主动接受的,有些是不小心造成的。只有设置能力保持评测,才能区分这两者。

4. 需要补充的第三条边界:领域优势必须限定任务分布

“27B 架构模型和 100B+ 通用模型有来有回”还需要继续追问是在什么任务上:

  • 编写常规架构文档;
  • 根据明确需求做技术选型;
  • 发现复杂系统中的依赖与故障风险;
  • 面对陌生业务做开放式架构权衡;
  • 审查真实代码、数据和运行证据,还是只根据提示词给建议。

越靠近固定流程、明确格式和常见案例,小模型领域化越容易取得优势;越接近开放问题、跨领域推理和复杂长链路决策,大模型的通用能力仍然可能很重要。

因此,领域模型超过大模型必须限定在明确的任务分布与评价口径内,不能从一组领域测试直接推广成全面超越。

5. 把训练目标写成一份架构 trade-off 说明

如果后续真的训练架构领域模型,可以把目标写成:

目标:架构领域能力显著提升

约束:
- 通用代码能力最多允许下降多少
- 数学能力是否可以不保留
- 多轮指令遵循不能退化
- 输出结构与工具调用必须稳定

验收:
- 架构领域测试集
- 未见项目与跨域测试
- 通用能力保持集
- 失败与回退案例

这和系统架构设计很像:不是追求所有指标无限上升,而是在明确目标、约束和成本的前提下做选择,并用评测验证选择是否成立。

6. 架构领域尤其需要区分权重与上下文

架构知识并不都适合固化进权重:

架构原则、设计方法、评审方式
→ 可以通过训练内化

当前系统结构、依赖、容量、故障现场
→ 更适合由代码图谱、知识库和运行时上下文提供

如果训练的是会背架构答案的模型,它可能只能在熟悉模板里表现良好;真正有价值的是在明确任务分布内,基于真实证据做出可评审的设计决策,同时保留必要的代码分析和系统推理能力。

7. 当前结论

垂直微调的目标不是培养一个更小的六边形战士,而是在明确任务分布内,把有限参数用到最有价值的地方,并且清楚知道自己付出了什么代价。

这套认知与 I4 的实验结论是一致的:后训练不是无成本的全面增强,而是能力分布的重新塑造。目标、约束和 eval 必须同时设计。

主要实验产物

data/instruct/i4_dpo_preference_probe.json
data/instruct/i4_dpo_synthetic_train.json
data/instruct/i4_dpo_synthetic_val.json

scripts/i4_dpo_logprob_probe.py
scripts/i4_dpo_one_step.py
scripts/i4_dpo_data_audit.py
scripts/i4_cot_behavior_eval.py
scripts/i4_behavior_baseline.py