ORPO 训练
ORPO 在单个训练阶段中结合了 SFT 和偏好优化。什么是 ORPO?
ORPO(Odds Ratio Preference Optimization)是 DPO 的更简单替代方案,不需要参考模型。它直接使用优势比优化偏好,减少内存使用和训练复杂度。快速开始
Python API
数据格式
与 DPO 相同 - 偏好对:ORPO vs DPO
参数
VLM(视觉语言)ORPO
ORPO 支持视觉语言模型(如 Qwen 3.5-VL)进行图像+文本偏好对齐。设置image_column 启用 VLM 模式:
chosen/rejected 列,以及包含图像的图像列。图像列会自动重命名为 images 以兼容 TRL。
何时使用 ORPO
在以下情况选择 ORPO:- 内存有限(不需要参考模型)
- 您想要组合 SFT + 对齐
- 偏好更简单的训练流程
- 从基础模型开始(未进行指令微调)
- 您需要细粒度控制
- 使用已进行指令微调的模型
- 参考模型行为很重要
示例:客户支持
下一步
DPO Training
替代对齐方法
Reward Modeling
训练奖励模型