Skip to content

LLM RL Algorithms

PPO、DPO、GRPO 的对比与核心机制，来自辉少的面试准备笔记

Overview

大语言模型的对齐阶段主要使用三种强化学习算法：PPO（需要 Critic）、DPO（跳过 RL 直接偏好优化）、GRPO（用组内采样替代 Critic）。辉少的笔记详细对比了它们的优化目标、KL 散度处理方式、以及工程实践中的取舍。

Key Facts / Claims

PPO (Proximal Policy Optimization)

  • 架构：Actor-Critic，需要 4 个模型（Actor、Critic、Reference、Reward Model）
  • 优化目标：最大化预期奖励 \(\mathbb{E}[r(x,y) - \beta \log \frac{\pi_\theta}{\pi_{ref}}]\)
  • 优势计算：GAE（Generalized Advantage Estimation），\(\hat{A}_t = \sum (\gamma\lambda)^k \delta_{t+k}\)
  • KL 处理：融入 Reward，参与 GAE 计算
  • 核心 Loss：\(L^{CLIP} + c_1 L^{VF} + c_2 L^S\)

DPO (Direct Preference Optimization)

  • 架构：只需 2 个模型（Policy + Reference）
  • 优化目标：最大化偏好似然差（good vs bad 的相对概率）
  • 核心洞察：利用最优策略与奖励函数的解析解关系，将 RL 问题转化为二元分类
  • Loss：\(-\mathbb{E}[\log\sigma(\beta\log\frac{\pi_\theta(y_w)}{\pi_{ref}(y_w)} - \beta\log\frac{\pi_\theta(y_l)}{\pi_{ref}(y_l)})]\)
  • KL 处理：隐式包含在 Loss 推导公式中

GRPO (Group Relative Policy Optimization)

  • 架构：只需 Actor + Reference，无 Critic
  • 优化目标：最大化组内相对优势
  • 优势计算：\(A_i = \frac{r_i - \text{mean}(r_{group})}{\text{std}(r_{group})}\)
  • KL 处理：显式作为独立 Loss 项，独立于 Advantage 计算
  • 原因 1：防止组内标准化消解 KL 的物理尺度
  • 原因 2：弥补 Critic 缺失后的稳定性

三者对比

特性 PPO DPO GRPO
模型数量 4 2 2
显存占用 高 低 低
优化驱动力 Critic 预测 数据对比 组内竞争
KL 处理方式 融入 Reward 隐式 显式独立
适用场景 通用 RL 偏好对齐 LLM 推理训练
  • [[grpo-global]] — 辉少的 GRPO-Global 项目改进
  • [[deepseek]] — DeepSeek-R1 使用 GRPO 训练
  • [[sft-vs-rlhf]] — SFT 与 RLHF 的关系
  • [[machine-learning-basics]] — 基础优化理论
  • [[external-blogs]] — Lilian Weng 的 Reward Hacking 文章

Counter-arguments & Data Gaps

  • GRPO 组内全同奖励时的梯度消失问题（辉少的 GRPO-Global 项目已改进）
  • DPO 在非限定性生成任务中可能不如 PPO
  • 三种算法在长文本生成中的对比实验不足

Sources