Simpo Training

用于大语言模型（LLM）对齐的简单偏好优化（Simple Preference Optimization）。作为 DPO 的无参考替代方案，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、更快的训练时，使用此方法进行偏好对齐。

技能元数据

来源	可选 — 使用 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。这是技能激活时代理所看到的指令。

SimPO - 简单偏好优化

快速开始

SimPO 是一种无参考的偏好优化方法，无需参考模型即可超越 DPO 的性能。

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（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（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

何时使用及与替代方案对比

使用 SimPO 的情况：

• 希望比 DPO 更简单的训练（无需参考模型）
• 拥有偏好数据（选择/拒绝对）
• 需要比 DPO 更好的性能
• 计算资源有限
• 单节点训练已足够

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，无需评论家模型（critic）

改用替代方案的情况：

• OpenRLHF：多节点分布式训练，PPO/GRPO
• TRL：需要在一个框架中使用多种方法
• DPO：需要既定的基线进行比较

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：偏好区分度差

增加 beta 和 margin：

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

问题：训练期间显存溢出（OOM）

减小批量大小（batch size）：

per_device_train_batch_size: 1
gradient_accumulation_steps: 16  # Maintain effective batch

启用梯度检查点（gradient checkpointing）：

gradient_checkpointing: true

高级主题

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

超参数调优：参见 references/hyperparameters.md 获取 beta、gamma、学习率选择指南以及针对特定模型规模的建议。

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

硬件要求

• GPU：推荐 NVIDIA A100/H100
• 显存 (VRAM)：
  • 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 已足够
• 混合精度：推荐 BF16

内存优化：

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

资源

• 论文：https://arxiv.org/abs/2405.14734 (NeurIPS 2024)
• GitHub：https://github.com/princeton-nlp/SimPO
• 模型：https://huggingface.co/princeton-nlp
• 对齐手册：https://github.com/huggingface/alignment-handbook