RLHF 对齐

预训练模型会预测下一个 token，但不区分该不该说。你问它「怎么做炸弹」，它照答不误——因为训练数据里确实有这些续写模式。怎么让模型学会「什么该说，什么不该说」？

这一节走完 RLHF 的完整流程：SFT 打底 → Reward Model 把偏好变成打分 → PPO 优化策略 → DPO 跳过打分直接学偏好。每步都用手算例子讲清楚。

语言模型的训练目标是「预测下一个 token」，但我们要的是「给出有帮助、诚实、无害的回答」。这两个目标之间的差距就是对齐（Alignment）要解决的问题。经典 RLHF 分三个 Stage：先用高质量对话数据做 SFT 打底，再训练一个 Reward Model 来模拟人类偏好，最后用 PPO 强化学习让模型朝高奖励方向优化。

DPO 是 2023 年提出的简化方案——通过数学变换消掉显式的 Reward Model，把偏好数据直接转化为分类 loss。

SFT、Reward Model、PPO、DPO——每个阶段的损失函数和训练目标都不一样。这一节从 3H 原则出发，先用 SFT 打底，再逐步叠加更复杂的训练目标。

1. 为什么需要对齐

预训练模型的目标通常是 next-token prediction：给定前面 N 个 token，预测第 N+1 个 token。它在海量文本上学会了语言和知识的统计模式，但不等于天然知道在每个用户场景中什么回答最有帮助、最安全。

举个例子：

用户: 我最近心情不好，觉得活着没意思。

未对齐的 Base Model（续写模式，示例）:
  "她站在天台上，风吹过她的头发，她想起那个背叛她的人...
   楼下围满了看热闹的人，有人拿出了手机录像..."
   ↑ 模型在模仿网上看到的小说！模式统计上是对的——「心情不好」
     后面确实经常接这种文学描写。但这个回答完全不合适。

已对齐的模型（Helpful + Harmless，示例）:
  "我很抱歉你正在经历这些。请记住：你并不孤单，
   有很多人愿意帮助你。你可以拨打心理援助热线。
   你愿意和我聊聊发生了什么吗？"
   ↑ 模型识别到这是求助，给出有帮助的回应。

这个对比揭示了对齐的本质问题：预训练让模型学会「这段话后面通常跟什么」，但对齐要让模型学会「在这种情况下应该回答什么」。前者是统计规律，后者是价值判断。

对齐的 3H 原则：

• Helpful（有帮助）：回答问题，提供有用信息，不跑题
• Honest（诚实）：不知道就说不知道，不编造听起来合理的假话
• Harmless（无害）：拒绝有害请求，不助长危险行为

三个原则有时会冲突。比如用户问「我做的炸弹为什么不炸」，诚实回答会提供危险信息，有帮助于这个用户但有害于社会。对齐需要在三者之间找到平衡——通常无害优先。

2. 对齐全景图

整条链路分为几个阶段：

  Base Model（预训练完，只会续写）
       │
       ▼  Stage 1: SFT
  ┌─────────────────────────┐
  │ 用高质量对话数据做监督学习  │
  │ 教会「对话格式」和基本指令  │
  └────────────┬────────────┘
               ▼
         SFT Model（会对话了，但不会区分好坏）
               │
         ┌─────┴─────┐
         ▼             ▼
    Stage 2a: RLHF    Stage 2b: DPO
    (经典路线)         (简化路线)
         │                  │
    ① 收集偏好数据      ① 收集偏好数据
    ② 训练 Reward Model  ② 直接优化偏好
    ③ PPO 强化学习       (跳过 RM + PPO)
         │                  │
         └──────┬───────────┘
                ▼
          已对齐的模型 ✨

下面逐个阶段手算。

3. Stage 1：SFT

3.1 SFT 做了什么

用高质量对话数据做监督训练。训练数据长这样：

<|User|> 法国的首都是什么？
<|Assistant|> 法国的首都是巴黎。
<|User|> 为什么是巴黎？
<|Assistant|> 因为巴黎是法国最大的城市和政治中心，
自中世纪起就是法国的行政首都。

SFT 本质上和预训练一样——交叉熵 loss，预测下一个 token。区别只是数据从「互联网文本」换成了「对话」。

SFT 之后模型学会了：

1. 对话格式（一问一答）
2. 指令跟随的基本形式
3. 「好回答」的表面特征

3.2 但 SFT 有个根本局限

对于「法国的首都是？」这种有唯一答案的问题，SFT 足够。

但对于开放性问题，比如「帮我写一封辞职信」——没有唯一的「标准答案」。 两封辞职信都可以是对的，但哪封更好？SFT 的训练信号无法区分。

这就需要下一阶段：让人类标注员来告诉我们哪个回答更好。

3.3 Loss Masking：SFT 时只对回答部分算 loss

前面提到，SFT 的训练数据是一条完整的对话，格式通常是：

[system prompt] [user message] [assistant response]

模型的任务是「预测下一个 token」。如果用整条数据做训练，模型会同时学习预测 system prompt、user message 和 assistant response。但我们只想让它学会生成 response 部分——毕竟用户不会让模型去预测自己的问题。

解决方法很简单：给 prompt 部分的 token 打上特殊标签，让 loss 函数忽略它们。在 PyTorch 中，这个特殊标签是 -100（CrossEntropyLoss 的 ignore_index 默认值）。这就是 Loss Masking。

具体做法：

• prompt 部分（system + user）的 label 设为 -100，loss 不计算
• response 部分（assistant）的 label 正常设为下一个 token 的 ID

这样，交叉熵 loss 只在 response token 上累加，模型只学习「如何回答」，不会被训练去复述 prompt。

import numpy as np
# === Loss Masking 演示 ===
print("=== Loss Masking：只对回答部分算 loss ===")
print()

# 模拟一条 SFT 训练数据
# 假设 tokenizer 把对话编码成了 9 个 token
# 其中前 5 个是 prompt（system + user），后 4 个是 assistant 的回答

tokens = [1, 5, 3, 8, 2, 7, 9, 4, 6]  # 完整 token 序列
prompt_len = 5  # 前 5 个 token 属于 prompt

# 标准 labels：每个位置的 label = 下一个 token（右移一位）
labels_shifted = tokens[1:] + [-1]  # [5, 3, 8, 2, 7, 9, 4, 6, -1]

# Loss Masking：prompt 部分的 label 替换为 -100
labels_masked = labels_shifted.copy()
for i in range(prompt_len):
    labels_masked[i] = -100  # prompt 部分忽略

print("tokens:      ", tokens)
print("labels(原始):", labels_shifted)
print("labels(mask):", labels_masked)
print()

# 用简单的模拟数据演示 loss 计算
# 假设模型对每个位置输出了一个概率分布，我们用「预测是否正确」来简化
# log_probs[i] = 模型在位置 i 预测 tokens[i+1] 的 log 概率
np.random.seed(42)
log_probs = np.random.uniform(-3.0, -0.5, size=len(tokens))
log_probs = np.round(log_probs, 2)

print("--- 不用 Loss Masking ---")
total_loss = 0
count = 0
for i in range(len(tokens) - 1):  # 最后一位没有 label
    label = labels_shifted[i]
    loss_i = -log_probs[i]  # 交叉熵 = -log(p)
    total_loss += loss_i
    count += 1
    print(f"  位置 {i}: token={tokens[i]}, label={label:>3}, "
          f"log_p={log_probs[i]:.2f}, loss={loss_i:.2f}")
avg_no_mask = total_loss / count
print(f"  平均 loss = {avg_no_mask:.4f} (所有 {count} 个位置都参与)")
print()

print("--- 使用 Loss Masking ---")
total_loss = 0
count = 0
for i in range(len(tokens) - 1):
    label = labels_masked[i]
    if label == -100:
        print(f"  位置 {i}: token={tokens[i]}, label=-100 → 跳过 (prompt)")
        continue
    loss_i = -log_probs[i]
    total_loss += loss_i
    count += 1
    print(f"  位置 {i}: token={tokens[i]}, label={label:>3}, "
          f"log_p={log_probs[i]:.2f}, loss={loss_i:.2f}")
avg_masked = total_loss / count
print(f"  平均 loss = {avg_masked:.4f} (只算 {count} 个 response 位置)")
print()
print("关键观察：Loss Masking 让 prompt 部分的 token 不参与梯度更新，")
print("模型只会从 response 部分学习。这样 SFT 训练信号更干净。")

4. Stage 2：Reward Model

4.1 偏好数据长什么样

对同一个 prompt，标注员看到两个回答，选一个更好的：

Prompt: 帮我写一封辞职信

Answer A (chosen 被选中的):
  "尊敬的领导：因个人原因，我决定辞去当前职务。
   感谢公司这两年给我的培养和机会。
   我会在离职前做好所有交接工作。祝公司蒸蒸日上！"

Answer B (rejected 被拒绝的):
  "辞职？写 '我不干了' 四个字就行了。
   反正你走了公司也不会在乎。"

标注员选了 A → 这就是一条偏好数据：(prompt, chosen, rejected)。

4.2 Reward Model 要做什么

训练一个模型（Reward Model, RM），输入 (prompt, answer)，输出一个分数 r。

训练目标很简单：让 RM 给 chosen 的分数 > 给 rejected 的分数。

相当于训练一个「自动打分器」来代替人工标注。

4.3 损失函数手算 — 这就是 Bradley-Terry 模型

import math
# === Reward Model Loss 手算 ===
print("=== Reward Model 的损失函数 ===")
print()
print("公式: L = -log( σ(r_chosen - r_rejected) )")
print("      其中 σ(x) = 1/(1+e^(-x)) 是 sigmoid")
print()

def sigmoid(x):
    return 1 / (1 + math.exp(-x))

def reward_loss(r_chosen, r_rejected):
    diff = r_chosen - r_rejected
    prob = sigmoid(diff)
    loss = -math.log(max(prob, 1e-10))
    return loss, diff, prob

# 四个场景
cases = [
    ("很好: chosen >> rejected", 8.0, 2.0),
    ("还行: chosen 略好", 6.0, 5.0),
    ("不好: chosen < rejected", 3.0, 7.0),
    ("灾难: chosen << rejected", 1.0, 9.0),
]

print(f"{'场景':<25s} {'r_c':>6s} {'r_r':>6s} {'diff':>8s} {'σ(diff)':>10s} {'loss':>10s}")
print("-" * 70)

for desc, r_c, r_r in cases:
    loss, diff, prob = reward_loss(r_c, r_r)
    print(f"{desc:<25s} {r_c:>6.1f} {r_r:>6.1f} {diff:>8.1f} {prob:>10.4f} {loss:>10.4f}")

print()
print("解读:")
print("  • σ(diff) 是「chosen 应该赢的概率」")
print("  • 当 r_chosen >> r_rejected: σ≈1, loss≈0 → RM 做对了，轻罚")
print("  • 当 r_chosen << r_rejected: σ≈0, loss 很大 → RM 做错了，重罚")
print()
print("这本质就是把「偏好比较」变成了一个二分类问题：")
print("  标签=1 (chosen 更好)，预测=σ(r_c - r_r)，loss=cross_entropy")

5. Stage 3：PPO

有了 Reward Model，就可以用强化学习来优化 LLM 了。

5.1 PPO 训练循环

重复以下步骤：
  1. 拿一批 prompt（比如 256 个）
  2. LLM 为每个 prompt 生成回答
  3. RM 给每个 (prompt, answer) 打分 → 得到 reward
  4. 用 PPO 更新 LLM——提高高分的 token，降低低分的
  5. 但不能跑太偏——加 KL 惩罚（防止模型忘光 SFT 学的）

5.2 PPO 的核心机制：Clip

PPO 最关键的设计是一个叫 clip 的机制。用一页 ppt 说清：

ratio = 新模型选这个 token 的概率 / 旧模型选这个 token 的概率

如果 ratio = 1.5 → 新模型以前选这个 token 概率 2%，现在 3%
如果 ratio = 0.8 → 新模型以前选这个 token 概率 5%，现在 4%

clip 的作用: 把 ratio 限制在 [1-ε, 1+ε] 之间（通常 ε=0.2）
  → 防止单步更新太激进
  → 像开车时方向盘限位器——防止你一下拧太多翻车

import numpy as np

# === PPO clip 机制手算 ===
print("=== PPO Clip 机制 ===")
print()

def ppo_loss(ratio, advantage, epsilon=0.2):
    """
    计算 PPO surrogate loss
    ratio = π_new / π_old (新旧策略的概率比)
    advantage = RM_score - baseline (这个回答比平均好多少)
    """
    # 不加 clip 的损失
    unclipped = ratio * advantage
    # 加了 clip 的损失（把 ratio 限制在 [0.8, 1.2]）
    clipped = np.clip(ratio, 1-epsilon, 1+epsilon) * advantage
    # PPO 取更保守的那个（对 advantage>0 取 min，对 advantage<0 取 max）
    # 其实就是 -min(unclipped, clipped) 作为 surrogate
    return -min(unclipped, clipped)


ratios = [0.5, 0.7, 0.9, 1.0, 1.1, 1.3, 1.5, 2.0]

print("当 advantage > 0（这个回答好，想增加它的概率）：")
print(f"{'ratio':>8s} {'unclipped':>12s} {'clipped':>12s} {'loss':>10s} {'说明'}")
print("-" * 60)
for r in ratios:
    unclipped = r * 1.0
    clipped = min(r, 1.2) * 1.0
    loss = -min(unclipped, clipped)
    note = ""
    if r > 1.2:
        note = "← clip! 不让它再大了"
    print(f"{r:>8.2f} {unclipped:>12.2f} {clipped:>12.2f} {loss:>10.2f} {note}")

print()
print("当 advantage < 0（这个回答差，想降低它的概率）：")
print(f"{'ratio':>8s} {'unclipped':>12s} {'clipped':>12s} {'loss':>10s} {'说明'}")
print("-" * 60)
for r in ratios:
    unclipped = r * (-1.0)
    clipped = max(r, 0.8) * (-1.0)
    loss = -min(unclipped, clipped)
    note = ""
    if r < 0.8:
        note = "← clip! 不让它再小了"
    print(f"{r:>8.2f} {unclipped:>12.2f} {clipped:>12.2f} {loss:>10.2f} {note}")

print()
print("解读：")
print("  • advantage>0（好token）: PPO 鼓励增加 ratio，但 ≤1.2")
print("  • advantage<0（坏token）: PPO 鼓励降低 ratio，但 ≥0.8")
print("  • clip 作用 = 安全网 → 单步更新不会太猛，防止训练崩掉")

5.3 完整的 PPO Loss 公式

L_PPO = -E[ min(ratio × A, clip(ratio, 1-ε, 1+ε) × A) ]
        + β × KL(π_θ || π_SFT)

其中:
  ratio = π_θ(token|prompt) / π_old(token|prompt)
  A = advantage = RM_score - baseline
  KL 项 = 新模型和 SFT 模型的分布差异
  β = KL 惩罚的权重（超参，通常 0.01-0.1）

KL 惩罚是 PPO 中容易被忽视但至关重要的部分。它的作用不是提高效果，而是防止模型变坏。

问题出在 Reward Model 上。RM 是通过人工标注数据训练出来的打分器——它只是一个对人类偏好的近似模型，不是完美的裁判。如果只用 RM 的分数来优化 LLM，模型可能找到 RM 打分机制中的漏洞，生成一些“骗分”但质量很差的回答。这叫做 Reward Hacking。

举个例子：RM 可能学会给长篇回答打高分（因为标注员倾向选择更详细的回答）。如果只有 RM 优化，模型会学会无限制地把回答写得很长，甚至重复内容来凑长度——RM 的分数很高，但回答质量一塌糊涂。

KL 惩罚阻止了这一点：它限制新模型不能离 SFT 模型太远。SFT 模型虽然不会区分好坏，但至少不会胡说八道。KL 惩罚相当于在说：“你可以优化 RM 分数，但不要偏离参考模型太远。”这里的公式是教学版；真实 PPO/RLHF 通常还会包含 value function、GAE、token-level advantage、clip/value loss 等细节。β 越大，约束越强，模型越保守。

6. DPO

6.1 RLHF 的问题

RLHF 很强大，但工程上非常复杂：

• 需要单独训练一个 Reward Model（参数通常和主模型一样大）
• PPO 训练时 4 个模型同时在线：Actor（正在训的）、Reference（冻结的 SFT）、Reward Model、Critic（估值网络）
• 超参多：KL 系数、clip 范围、学习率、rollout 数量...
• 不稳定：PPO 以「难训」著称

2023 年，DPO（Direct Preference Optimization）提出了一种更简单的方法。

6.2 DPO 的数学洞察

RLHF 的最优策略可以写成 Reward Model 和参考策略的函数。通过代数变换，Reward Model 可以被「消掉」——结果就是 DPO loss：

L_DPO = -log( σ(
    β × log( π_θ(chosen) / π_ref(chosen) )
  - β × log( π_θ(rejected) / π_ref(rejected) )
))

这个公式看起来很吓人，但直觉很简单：

π_θ(chosen) ↑ → loss ↓    (好回答，提高概率！)
π_θ(rejected) ↑ → loss ↑   (差回答，降低概率！)
π_ref 做分母 → 防止跑太远（类似 KL 惩罚的角色）
β → 控制「多激进地」改变（β 大 = 更激进）

import math

# === DPO Loss 手算 ===
print("=== DPO Loss 直觉演示 ===")
print()

def dpo_loss(logp_chosen, logp_rejected, logp_ref_chosen, logp_ref_rejected, beta=0.5):
    """
    DPO loss 简化版
    logp = log(probability of generating this response)
    数字越大表示模型越倾向生成这个回答（不太负）
    """
    # chosen 相对于 ref 的改善
    chosen_improvement = logp_chosen - logp_ref_chosen
    # rejected 相对于 ref 的改善（我们希望它变差）
    rejected_improvement = logp_rejected - logp_ref_rejected
    
    # 核心：chosen 要比 rejected 改善更多
    diff = beta * (chosen_improvement - rejected_improvement)
    
    # sigmoid 然后取 -log
    prob = 1 / (1 + math.exp(-diff))
    loss = -math.log(max(prob, 1e-10))
    
    return loss, chosen_improvement, rejected_improvement, diff, prob


scenarios = [
    ("理想: chosen↑, rejected↓",    -1.0, -5.0, -3.0, -3.0),
    ("还行: chosen↑, rejected也↑但涨得少", -1.0, -2.5, -3.0, -3.0),
    ("差: chosen↓, rejected↑",     -5.0, -1.0, -3.0, -3.0),
    ("都涨但chosen涨更多",            -0.5, -2.0, -3.0, -3.0),
    ("都跌但chosen跌更少",            -4.5, -6.0, -3.0, -3.0),
]

print(f"{'场景':<28s} {'chosen_imp':>10s} {'rej_imp':>10s} {'diff':>10s} {'loss':>10s}")
print("-" * 74)

for desc, lc, lr, ref_c, ref_r in scenarios:
    loss, ci, ri, diff, prob = dpo_loss(lc, lr, ref_c, ref_r)
    print(f"{desc:<28s} {ci:>+10.2f} {ri:>+10.2f} {diff:>10.2f} {loss:>10.4f}")

print()
print("核心逻辑: DPO 不看绝对值，只看 chosen 相对于 rejected 的改善")
print("  chosen 改善越多 + rejected 改善越少 → diff 越大 → loss 越小")
print("  即使 chosen 和 rejected 概率都在降（模型在遗忘），")
print("  只要 chosen 降得比 rejected 少 → diff > 0 → loss 还是会降")

7. RLHF vs DPO 对比

维度	RLHF (PPO)	DPO
需要几个模型	4 个 (Actor, Ref, RM, Critic)	2 个 (Train, Ref)
训练方式	在线（每步需要模型生成新回答）	离线（用提前收集的偏好对）
稳定性	差（PPO 出了名难调）	好（就是监督学习）
reward hacking	高风险（RM 是固定靶子）	低风险（没有 RM 可以 exploit）
理论上限	可能更高（在线探索更多）	受偏好数据限制
调试难度	难（多个组件，哪个出问题不好定位）	易（一个 loss，和 SFT 一样 debug）
谁在用	OpenAI (GPT-4), Anthropic (Claude)	开源社区 (Zephyr, Qwen 等)

建议：

• 小团队、快速迭代 → DPO（省事，效果不差）
• 大团队、追求极致 → RLHF（投入大，天花板高）
• 折中方案 → Iterative DPO（多轮 DPO，每次用当前模型生成新的偏好对）

8. LLaMA 2 的完整对齐流程

Stage 1 — Pretraining:
  LLaMA 2 Base, 2T tokens
  → 会续写，不会对话

Stage 2 — SFT:
  ~27K 条高质量人工标注对话
  训练 2 epochs
  → 会对话了，能跟指令

Stage 3 — 收集偏好数据:
  ~1M+ 条 (prompt, chosen, rejected) 对
  标注员两两比较回答
  → 人类偏好数据集

Stage 4a — Reward Model:
  从 SFT 模型初始化
  用偏好数据训练打分能力
  → 自动打分器

Stage 4b — PPO:
  用 RM 打分 → PPO 优化 SFT 模型
  5 轮迭代
  → LLaMA 2 Chat ✨

9. 对齐的局限性与适用场景

RLHF/DPO 让模型更安全、更有帮助，但也引入了新的问题：

1. 过度拒绝：模型可能拒绝无害的请求。比如问「怎么做心脏复苏」被误判为有害医疗建议而拒绝回答——模型把「医疗」和「有害」过度关联了。
2. 谄媚（Sycophancy）：用户说错了（比如「1+1=3」），模型不纠正反而附和。因为标注员通常偏好「不反驳用户」的回答，RM 学到了这个偏好。
3. 风格单一化：所有回答都变成「礼貌的安全腔」——以「当然可以」「很高兴为你解答」开头，以「希望这对你有帮助」结尾。失去了预训练模型多样化的语言风格。
4. 知识损失：对齐过程中模型可能「忘记」预训练时学到的知识。因为对齐数据通常集中在对话和问答场景，模型对事实性知识的掌握可能退化。

这些问题至今在活跃研究中，还没有完美的解决方案。

另外值得强调的是：对齐不是万能的，也不适用于所有场景。代码补全、翻译、文本摘要等任务中，「好」的定义由下游任务的客观指标决定（编译通过率、BLEU 分数、ROUGE 分数），人类偏好的作用有限。RLHF/DPO 主要适用于开放域对话和指令跟随场景——在这些场景中，「好」确实是主观的，需要人来定义。

小结

确认你已经搞懂了这些（按顺序检查）：

1. ✅ 为什么需要对齐：预训练只教会「说话」，对齐教会「说人话」
2. ✅ 3H 原则：Helpful（有用）+ Honest（诚实）+ Harmless（无害）
3. ✅ SFT：用高质量对话教模型对话格式，但无法区分好坏
4. ✅ 偏好数据：(prompt, chosen, rejected) 对，标注员选出来的
5. ✅ Reward Model Loss：-log(σ(r_chosen - r_rejected))，把偏好变成分类
6. ✅ PPO Clip：ratio = π_new/π_old，限制在 [0.8, 1.2] 防止更新太猛
7. ✅ KL 惩罚：防止模型为刷分而跑偏（reward hacking）
8. ✅ DPO：跳过 RM+PPO，直接优化偏好对 → 更简单，效果接近
9. ✅ RLHF vs DPO：RLHF 天花板高但工程复杂，DPO 性价比高

一句话总结：对齐 = SFT 打底（学会对话）→ RM 建立评判标准 → PPO/DPO 按标准优化。DPO 让这件事从「大厂专属」变成了「小团队也能做」。

作业> 可以让 AI 帮忙解释思路，但不建议直接让 AI "做完这道题"。

作业 1：Reward Model Loss 手算Reward Model 使用 Bradley-Terry 模型，loss 公式为：$L=-\log (\sigma (r_{chosen}-r_{rejected}))$假设 $r_{chosen}=2.0$，$r_{rejected}=-1.0$。手动计算 loss。小提示：$\sigma (x)=1/(1+e^{-x})$，先算 $r_{chosen}-r_{rejected}=3.0$，再算 $\sigma (3.0)$，最后 $-\log (\sigma (3.0))$。

# 作业 1：Reward Model Loss 手算import mathr_chosen = 2.0r_rejected = -1.0# TODO: 计算 chosen 和 rejected 的 reward 差diff = None  # r_chosen - r_rejected# TODO: 计算 sigmoid(diff)sigmoid_val = None  # 1 / (1 + exp(-diff))# TODO: 计算 loss = -log(sigmoid_val)loss = None  # -log(sigmoid_val)assert diff is not None, "请先计算 diff"assert sigmoid_val is not None, "请先计算 sigmoid"assert loss is not None, "请先计算 loss"expected_diff = r_chosen - r_rejectedexpected_sig = 1 / (1 + math.exp(-expected_diff))expected_loss = -math.log(expected_sig)assert diff == expected_diff, f"diff 应为 {expected_diff}"assert abs(sigmoid_val - expected_sig) < 0.001, f"sigmoid 应为 {expected_sig:.4f}"assert abs(loss - expected_loss) < 0.01, f"loss 应为 {expected_loss:.4f}"print(f"✅ 作业 1 通过：")print(f"   diff = {diff:.1f}")print(f"   sigmoid({diff:.1f}) = {sigmoid_val:.4f}")print(f"   loss = -log({sigmoid_val:.4f}) = {loss:.4f}")print("   chosen 比 rejected 好很多时（diff 大），loss 接近 0。")

作业 2：PPO Clip 机制PPO 的核心是 clip 函数，限制策略更新幅度：$\text{clip}(\text{ratio},1-ϵ,1+ϵ)$。给定 $ϵ=0.2$，计算以下三个 ratio 值被 clip 后的结果：1. $\text{ratio}=0.5$2. $\text{ratio}=1.1$3. $\text{ratio}=2.0$小提示：clip 就是把值限制在 $[1-ϵ,1+ϵ]=[0.8,1.2]$ 范围内。

# 作业 2：PPO Clip 机制epsilon = 0.2ratio_1 = 0.5ratio_2 = 1.1ratio_3 = 2.0# TODO: 对三个 ratio 值做 clip，范围 [0.8, 1.2]clipped_1 = None  # 在这里计算clipped_2 = None  # 在这里计算clipped_3 = None  # 在这里计算assert clipped_1 is not None, "请先计算 clipped_1"assert clipped_2 is not None, "请先计算 clipped_2"assert clipped_3 is not None, "请先计算 clipped_3"assert clipped_1 == 0.8, f"ratio=0.5 clip 后应为 0.8，你得到 {clipped_1}"assert clipped_2 == 1.1, f"ratio=1.1 在 [0.8, 1.2] 内，不应改变"assert clipped_3 == 1.2, f"ratio=2.0 clip 后应为 1.2，你得到 {clipped_3}"print(f"✅ 作业 2 通过：")print(f"   ratio=0.5 → clip=0.8（太小的更新被拉回下界）")print(f"   ratio=1.1 → clip=1.1（在安全范围内，不变）")print(f"   ratio=2.0 → clip=1.2（太大的更新被拉回上界）")print("   PPO clip 防止单次更新幅度过大，保持训练稳定。")

作业 3：DPO Loss 分析DPO 的 loss 公式为：$L=-\log \frac{1}{1+e^{-\beta ({\Delta }_{chosen}-{\Delta }_{rejected})}}$假设 $\beta =0.5$，${\Delta }_{chosen}=0.8$，${\Delta }_{rejected}=0.2$。计算 DPO loss。小提示：先算 $\beta ({\Delta }_{chosen}-{\Delta }_{rejected})=0.5\times 0.6=0.3$，然后代入 sigmoid。

# 作业 3：DPO Loss 分析import mathbeta = 0.5delta_chosen = 0.8delta_rejected = 0.2# TODO: 计算 beta * (delta_chosen - delta_rejected)margin = None  # 在这里计算# TODO: 计算 loss = -log(sigmoid(margin))sigmoid_m = None  # sigmoid(margin)loss = None       # -log(sigmoid_m)assert margin is not None, "请先计算 margin"assert loss is not None, "请先计算 loss"expected_margin = beta * (delta_chosen - delta_rejected)expected_sig = 1 / (1 + math.exp(-expected_margin))expected_loss = -math.log(expected_sig)assert abs(margin - expected_margin) < 0.001, f"margin 应为 {expected_margin}"assert abs(loss - expected_loss) < 0.01, f"loss 应为 {expected_loss:.4f}"print(f"✅ 作业 3 通过：")print(f"   margin = β × (Δ_chosen - Δ_rejected) = {margin:.2f}")print(f"   loss = -log(σ({margin:.2f})) = {loss:.4f}")print("   DPO 关注的是相对提升：chosen 比 rejected 改善越多，loss 越小。")