【技术解读】本文深度解析 UCLA 吴英年教授团队与上海人工智能实验室于 2026-08-10 联合提交的 Se-DPO（Self-Evolving Token Credit for Direct Preference Optimization，arXiv:2608.09568，已被 COLM 2026 接收）：它把 DPO 里长期被忽视的「均匀求和」隐式假设拆开，用自演化 token credit 按每个 token 对偏好结果的贡献来调制 KL 正则化。核心发现------① 问题定位：标准 DPO 聚合 token 级对数概率比时采用均匀求和，默认回复里每个 token 贡献完全相等，明显违背直觉（决定对错的关键词 vs 可有可无的语气助词，贡献不可能一样）；② 方法极克制：仅增加一个两层 MLP 校准网络（Linear(2,16)→ReLU→Linear(16,1)→Softplus），参数跨位置、chosen/rejected 两侧共享、零外部模型，输入信号全部来自标准 DPO 前向传播本身（隐式奖励绝对值 |r̂_t| + 参考熵 H_ref,t），在 Llama-3.2-3B 上训练耗时 97.1→103.7 分钟、相对开销仅 +6.85%；③ 反直觉机制------「自演化」：隐式奖励信号在训练中大幅演化，任何静态 credit 都会随训练推进越来越失配，故每个训练步从模型自身实时推导。评测侧：Llama-3-8B-Instruct（ArmoRM 标注）上 AlpacaEval 2 胜率 50.6%（vs DPO 40.8%，+9.8 点）、Arena-Hard 43.3%（vs 36.2%，+7.1 点），同时超越此前最强基线 TGDPO（42.5%/40.5%）；换 PairRM 标注仍领先（47.2%/42.6%），LoRA 小模型（Llama-3.2-3B、Gemma-2-2B）同样成立；长度控制（LC）胜率 47.4% 仍显著高于 DPO 的 38.2%，证明提升并非靠「写得更长」刷出。对思陌微调落地有三点启示：把「按 token 贡献加权」作为现有 DPO 流水线的低成本升级补丁、优先挖掘对齐过程内部信号而非外挂奖励模型、两层 MLP 校准网络可无缝接入 LoRA 微调流程。
DPO（Direct Preference Optimization，直接偏好优化）已经成为大模型对齐训练的主流方法之一------它绕开了 RLHF 需要显式奖励模型的复杂两阶段流程，直接用偏好数据对做监督式优化，门槛低、易落地。但 DPO 内部藏着一个长期被忽视的隐式假设：它在聚合 token 级的对数概率比时采用"均匀求和"，也就是默认回复里的每一个 token 对偏好信号的贡献都完全相等。这显然违背直觉------一个决定回答对错的关键词，和一个可有可无的语气助词，对"这条回复是否更优"的影响不可能一样。2026 年 8 月 10 日，UCLA（加州大学洛杉矶分校）吴英年（Ying Nian Wu）教授团队与上海人工智能实验室联合在 arXiv 提交论文《Se-DPO: Self-Evolving Token Credit for Direct Preference Optimization》（arXiv:2608.09568），把这层假设拆开，用"自演化 token credit"让每个 token 按贡献大小参与优化。论文已被 COLM 2026 接收。
作者首先定义了 token credit（token 信用/贡献度）的概念：它根据每个 token 对偏好结果的贡献大小，来调制该 token 的 KL 正则化强度。论文从理论上推导出一个关键结论------有效的 token credit 应该正比于每个 token"隐式奖励"（implicit reward）的幅度。所谓隐式奖励，就是标准 DPO 前向传播中，策略模型与参考模型在某个位置的对数概率之差乘以 β，即 r̂_t = β(log π_θ − log π_ref)。这个量刻画了"这个 token 在多大程度上让当前回复区别于参考策略"。更关键的是，作者观察到这个隐式奖励信号在训练过程中会大幅演化------这意味着任何"静态"的 token credit（比如训练开始前一次性算好固定下来）都会随着训练推进越来越失配，这也是论文将方案命名为"自演化"（Self-Evolving）的由来。
针对"静态 credit 会失配"的问题，Se-DPO 提出一套"活的"机制：不预先固定 credit，而是在每个训练步从模型自身演化的内部信号里实时推导。具体做法是把两个信号送进一个轻量校准网络（calibration network）：一是 token 隐式奖励的绝对值 |r̂_t|（代表贡献的"强度"），二是参考模型在该位置的熵 H_ref,t（代表贡献的"置信度"，熵越高说明该位置越不确定）。由于奖励信号在不同位置的可靠性并不均匀，Se-DPO 用"强度 + 置信度"两个维度共同校准。这个校准网络只是一层两层的 MLP（Linear(2,16)→ReLU→Linear(16,1)→Softplus），参数在所有 token 位置、chosen/rejected 两侧共享，再做一次均值归一化防止 credit 退化为全零。最关键的一点是：它不需要任何外部模型（比如额外的奖励模型），所有输入信号都来自标准 DPO 前向传播本身，因此计算开销极小------在 Llama-3.2-3B 上，DPO 训练耗时 97.1 分钟，Se-DPO 仅需 103.7 分钟，相对开销只有 +6.85%。
实验覆盖了不同规模、不同训练范式的模型：Llama-3-8B-Instruct（全参数微调）、Llama-3.2-3B-Instruct 与 Gemma-2-2B-it（LoRA 训练）。偏好数据来自 UltraFeedback 的 prompt，用 ArmoRM 奖励模型从 5 个候选响应里挑最高/最低分构建约 6 万对偏好对；对 Llama-3-8B 还额外用 PairRM 标注，以检验增益是否依赖某一特定奖励模型。结果相当可观：在 Llama-3-8B-Instruct（ArmoRM 标注）上，Se-DPO 拿到 AlpacaEval 2 胜率 50.6%、Arena-Hard 43.3%，相比 DPO 基线（40.8% / 36.2%）分别提升 +9.8 和 +7.1 个点；相比此前最强的相关基线 TGDPO（42.5% / 40.5%）也分别高出 +8.1 和 +2.8 个点。换用 PairRM 标注后，Se-DPO 仍以 47.2% / 42.6% 领先 DPO 的 41.7% / 30.4%，说明增益并非对某一种奖励模型的过拟合。小模型的 LoRA 设置下同样成立：Llama-3.2-3B 从 DPO 的 29.6% / 23.2% 提升到 34.2% / 28.8%，Gemma-2-2B 从 40.8% / 26.4% 提升到 44.4% / 29.6%。值得一提的是，作者还做了长度控制（LC）检验，Se-DPO 的长度控制胜率 47.4% 仍显著高于 DPO 的 38.2%------尽管 Se-DPO 的平均回复更长（2215 vs 1837 tokens），但长度控制后的优势依旧成立，说明提升并非单纯靠"写得更长"刷出来的。
对思陌大模型微调而言，Se-DPO 的启示直接落在「指令对齐」和「评估优化」两项核心能力上。第一，DPO 的均匀求和假设是几乎所有下游 DPO 变体（SimPO、TGDPO 等）共有的"隐性先验"，Se-DPO 证明只要按 token 贡献重新加权，就能在不换数据、不加外部奖励模型的前提下拿到近 10 个点的 AlpacaEval 2 提升------这意味着思陌为客户做偏好对齐时，可以在现有 DPO 流水线上以约 +7% 的计算开销换取显著的对齐收益，是性价比极高的"升级补丁"。第二，token credit 的"自演化"思路提醒我们：对齐过程中的内部信号（隐式奖励、参考熵）本身就是可挖掘的富矿，与其外挂更昂贵的奖励模型，不如先榨干模型自身的反馈------这与思陌「评估优化」中"用多维评测而非单一指标"的理念一致。第三，从工程上看，校准网络只有两层 MLP、参数共享、零外部依赖，可无缝接入 LoRA 微调流程，为思陌在中小参数模型（3B 级）上的低成本对齐定制提供了一条可复用的技术路径。
参考文献
- arXiv: 2608.09568
- DOI: 10.48550/arXiv.2608.09568
论文原文信息链接： DPO 对齐训练如何避免 token 贡献一刀切？Se-DPO 自演化 Token Credit 方法解析
（注：本文由 AI 辅助生成，仅对论文做独立解读，不代表原文作者观点。）