通俗解释
作者证明 RLHF 的最优策略可以用一个闭式关系表达，于是把偏好损失直接写在策略模型上：提高被偏好回答相对参考模型的概率。简单稳定，开源模型广泛使用。
用在哪里：Zephyr、Tulu、Llama 3 后训练
01原始论文
Direct Preference Optimization: Your Language Model is Secretly a Reward Model
Rafael Rafailov, Archit Sharma, Eric Mitchell, et al. · 2023
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：后训练与推理模型
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
dpo)