跳到主要内容

Simpo 训练

用于 LLM 对齐的简单偏好优化（Simple Preference Optimization）。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。

Skill 元数据​

来源可选 — 通过 aigenlabs 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
平台linux, macos, windows
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 AigenLabs 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。

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，性能优于 DPO。

安装：

# Create environment
conda create -n simpo python=3.10 && conda activate simpo

# Install PyTorch 2.2.2
# Visit: https://pytorch.org/get-started/locally/

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

# Install 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）​

配置文件（mistral-7b-base-simpo.yaml）：

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

# Dataset
dataset_mixer:
  HuggingFaceH4/ultrafeedback_binarized: 1.0
dataset_splits:
  - train_prefs
  - test_prefs

# SimPO hyperparameters
beta: 2.0                  # Reward scaling (2.0-10.0)
gamma_beta_ratio: 0.5       # Target margin (0-1)
loss_type: sigmoid          # sigmoid or hinge
sft_weight: 0.0             # Optional SFT regularization

# Training
learning_rate: 5e-7         # Critical: 3e-7 to 1e-6
num_train_epochs: 1
per_device_train_batch_size: 1
gradient_accumulation_steps: 8

# Output
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）​

配置文件（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             # Add SFT loss to preserve capabilities

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）​

适用于数学/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                   # Higher for stronger signal
gamma_beta_ratio: 0.7       # Larger margin
learning_rate: 3e-7         # Lower LR for reasoning
sft_weight: 0.0

num_train_epochs: 1
per_device_train_batch_size: 1
gradient_accumulation_steps: 16

何时使用及替代方案​

适合使用 SimPO 的场景：

  • 希望比 DPO 训练更简单（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、性能最优、无需参考模型
  • DPO：需要参考模型基线，更为保守
  • PPO：最大控制度，需要奖励模型，配置复杂
  • GRPO：内存高效的 RL，无需 critic

改用其他方案的场景：

  • OpenRLHF：多节点分布式训练，PPO/GRPO
  • TRL：需要在单一框架中使用多种方法
  • DPO：需要建立已有基线对比

常见问题​

问题：损失发散

降低学习率：

learning_rate: 3e-7  # Reduce from 5e-7

降低 beta：

beta: 1.0  # Reduce from 2.0

问题：模型遗忘原有能力

添加 SFT 正则化：

sft_weight: 0.1  # Add SFT loss component

问题：偏好分离效果差

提高 beta 和 margin：

beta: 5.0            # Increase from 2.0
gamma_beta_ratio: 0.8  # Increase from 0.5

问题：训练时显存不足（OOM）

减小批次大小：

per_device_train_batch_size: 1
gradient_accumulation_steps: 16  # Maintain effective batch

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、学习率选择指南及针对不同模型规模的建议。

数据集准备：参见 references/datasets.md，了解偏好数据格式、质量过滤及自定义数据集创建方法。

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 即可满足
  • 混合精度：推荐 BF16

内存优化：

  • DeepSpeed ZeRO-3（默认配置）
  • 梯度检查点
  • Flash Attention 2

资源​