跳到主要内容

Simpo 训练

用于 LLM 对齐的简单偏好优化。无需参考模型的 DPO 替代方案，性能更优（在 AlpacaEval 2.0 上提升 +6.4 分）。无需参考模型，比 DPO 更高效。当需要比 DPO/PPO 更简单、更快速的训练时，可用于偏好对齐。

技能元数据​

来源可选 — 通过 hermes skills install official/mlops/simpo 安装
路径optional-skills/mlops/simpo
版本1.0.0
作者Orchestra Research
许可证MIT
依赖项torch, transformers, datasets, trl, accelerate
标签Post-Training, SimPO, Preference Optimization, Alignment, DPO Alternative, Reference-Free, LLM Alignment, Efficient Training

参考：完整 SKILL.md​

信息

以下是 Hermes 在触发此技能时加载的完整技能定义。当技能激活时，Agent 会将其视为指令。

SimPO - 简单偏好优化

快速开始​

SimPO 是一种无需参考模型的偏好优化方法，在不需要参考模型的情况下性能优于 DPO。

安装：

# 创建环境
conda create -n simpo python=3.10 && conda activate simpo

# 安装 PyTorch 2.2.2
# 访问：https://pytorch.org/get-started/locally/

# 安装 alignment-handbook
git clone https://github.com/huggingface/alignment-handbook.git
cd alignment-handbook
python -m pip install .

# 安装 Flash Attention 2
python -m pip install flash-attn --no-build-isolation

训练（Mistral 7B）：

ACCELERATE_LOG_LEVEL=info accelerate launch \
  --config_file accelerate_configs/deepspeed_zero3.yaml \
  scripts/run_simpo.py \
  training_configs/mistral-7b-base-simpo.yaml

常见工作流​

工作流 1：从基础模型训练（Mistral 7B）​

配置（mistral-7b-base-simpo.yaml）：

# 模型
model_name_or_path: mistralai/Mistral-7B-v0.1
torch_dtype: bfloat16

# 数据集
dataset_mixer:
  HuggingFaceH4/ultrafeedback_binarized: 1.0
dataset_splits:
  - train_prefs
  - test_prefs

# SimPO 超参数
beta: 2.0                  # 奖励缩放（2.0-10.0）
gamma_beta_ratio: 0.5       # 目标边界（0-1）
loss_type: sigmoid          # sigmoid 或 hinge
sft_weight: 0.0             # 可选的 SFT 正则化

# 训练
learning_rate: 5e-7         # 关键：3e-7 到 1e-6
num_train_epochs: 1
per_device_train_batch_size: 1
gradient_accumulation_steps: 8

# 输出
output_dir: ./outputs/mistral-7b-simpo

启动训练：

accelerate launch --config_file accelerate_configs/deepspeed_zero3.yaml \
  scripts/run_simpo.py training_configs/mistral-7b-base-simpo.yaml

工作流 2：微调指令模型（Llama 3 8B）​

配置（llama3-8b-instruct-simpo.yaml）：

model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct

dataset_mixer:
  argilla/ultrafeedback-binarized-preferences-cleaned: 1.0

beta: 2.5
gamma_beta_ratio: 0.5
learning_rate: 5e-7
sft_weight: 0.1             # 添加 SFT 损失以保留能力

num_train_epochs: 1
per_device_train_batch_size: 2
gradient_accumulation_steps: 4
output_dir: ./outputs/llama3-8b-simpo

启动：

accelerate launch --config_file accelerate_configs/deepspeed_zero3.yaml \
  scripts/run_simpo.py training_configs/llama3-8b-instruct-simpo.yaml

工作流 3：推理密集型任务（较低学习率）​

针对数学/代码任务：

model_name_or_path: deepseek-ai/deepseek-math-7b-base

dataset_mixer:
  argilla/distilabel-math-preference-dpo: 1.0

beta: 5.0                   # 更高值以增强信号
gamma_beta_ratio: 0.7       # 更大间隔
learning_rate: 3e-7         # 推理任务使用较低学习率
sft_weight: 0.0

num_train_epochs: 1
per_device_train_batch_size: 1
gradient_accumulation_steps: 16

何时使用 vs 替代方案​

使用 SimPO 的场景：

  • 想要比 DPO 更简单的训练（无需参考模型）
  • 拥有偏好数据（chosen/rejected 对）
  • 需要比 DPO 更好的性能
  • 计算资源有限
  • 单节点训练即可满足需求

算法选择：

  • SimPO：最简单，性能最佳，无需参考模型
  • DPO：需要参考模型基线，更保守
  • PPO：最大控制力，需要奖励模型，设置复杂
  • GRPO：内存高效的强化学习，无需 critic

改用替代方案：

  • OpenRLHF：多节点分布式训练，支持 PPO/GRPO
  • TRL：需要在同一框架中使用多种方法
  • DPO：成熟的基线对比

常见问题​

问题：损失发散

降低学习率：

learning_rate: 3e-7  # 从 5e-7 降低

降低 beta：

beta: 1.0  # 从 2.0 降低

问题：模型遗忘能力

添加 SFT 正则化：

sft_weight: 0.1  # 添加 SFT 损失分量

问题：偏好区分度差

增加 beta 和间隔：

beta: 5.0            # 从 2.0 增加
gamma_beta_ratio: 0.8  # 从 0.5 增加

问题：训练时 OOM

减小批次大小：

per_device_train_batch_size: 1
gradient_accumulation_steps: 16  # 保持有效批次大小

启用梯度检查点：

gradient_checkpointing: true

进阶主题​

损失函数：参见 references/loss-functions.md 了解 sigmoid 与 hinge 损失、数学公式以及各自适用场景。

超参数调优：参见 references/hyperparameters.md 了解 beta、gamma、学习率选择指南以及针对不同模型大小的建议。

数据集准备：参见 references/datasets.md 了解偏好数据格式、质量过滤和自定义数据集创建。

硬件要求​

  • GPU：推荐 NVIDIA A100/H100
  • 显存：
    • 7B 模型：1× A100 40GB（DeepSpeed ZeRO-3）
    • 8B 模型：2× A100 40GB
    • 70B 模型：8× A100 80GB
  • 单节点：DeepSpeed ZeRO-3 足够
  • 混合精度：推荐 BF16 内存优化：
  • DeepSpeed ZeRO-3（默认配置）
  • 梯度检查点（Gradient checkpointing）
  • Flash Attention 2

资源​