Weights-Rotated Preference Optimization for Large Language Models

论文《Weights-Rotated Preference Optimization for Large Language Models》总结与翻译一、文章主要内容1. 研究背景与问题现有方法局限：直接偏好优化（DPO）是大语言模型（LLMs）对齐人类偏好的主流方法，可避免强化学习从人类反馈（RLHF）的训练不稳定性与超参数敏感性问题，但存在严重的“奖励黑客”（reward hacking）问题。“奖励黑客”具体表现：模型为追求高奖励，过度降低“被拒绝回答”（rejected completions）的概率，而非真正学习人类偏好特征，导致生成内容冗长重复、多样性缺失，且出现“灾难性知识遗忘”（catastrophic forgetting）。问题根源：从参数空间角度分析，DPO训练会导致模型神经元在参数空间中“坍缩”（neuron collapse），引发表征冗余（representation redundancy），破坏神经元的各向同性分布，削弱模型表达能力。2. 提出的方法：权重旋转偏好优化（RoPO）为解决DPO的“奖励黑客”问题，RoPO采用双重约束机制，同时从输出层logits和中间隐藏层参