在當今的大模型后訓練（Post-training）階段，DPO（直接偏好優化） 憑借其無需訓練獨立 Reward Model 的優雅設計和高效性，成功取代 PPO 成為業界的 「版本之子」，被廣泛應用于 Llama-3、Mistral 等頂流開源模型的對齊中。

然而，隨著對模型能力要求的日益嚴苛，DPO 的缺陷逐漸浮出水面。

究竟該如何讓 DPO 學會「去偽存真」，精準識別出那些真正決定勝負的 Critical Tokens？

針對這一問題，來自中國科學院自動化研究所、字節跳動、微軟亞洲研究院和北京科技大學的研究者們在被選為 ICLR 2026 Oral 的新工作中聯合提出了一種全新的 TI-DPO 框架。

• 論文：《Token-Importance Guided Direct Preference Optimization》
• 論文地址：https://arxiv.org/abs/2505.19653
• 開源地址：https://github.com/gracefulning/TIDPO

研究背景與意義

主流方法正面臨兩個核心難題，這使得模型難以實現真正精細化的語義控制:

• 痛點一：序列級的「二元對立」陷阱。傳統方法依然停留在序列級別（Sequence-level）的粗粒度優化上，簡單粗暴地將數據劃分為好與壞。這種二元監督信號極度匱乏，因為它掩蓋高質量回復中可能混雜著瑕疵 Token 的事實，導致了模型在連續語義空間中微調效果差，甚至引發采樣分布偏移（Distribution Shift）。
• 痛點二：被偏差綁架的「偽」重要性。即使試圖下沉到 Token 級別，現有的重要性評估手段也存在問題。許多方法依賴概率預測或簡單加權，這導致它們直接繼承了模型架構的固有缺陷 ——「U 型注意力偏差」（Lost in the Middle），模型天生傾向于過度關注首尾 Token 而忽略中間的核心語義。

TI-DPO 的核心機制

TI-DPO 的核心思想是：既然 Token 生而不同，那就給它們「加權」。 通過引入混合加權機制和三元組損失，TI-DPO 能夠精準識別并放大「關鍵 Token」的信號，同時抑制噪聲，從而實現比傳統 DPO 更準、更穩的對齊效果。它主要包含兩大核心機制：

1. 混合加權機制 (Hybrid Weighting)

為了找出誰才是決定回復質量的「勝負手」，TI-DPO 設計了一套數據驅動與先驗結構相結合的權重計算法：

• 梯度歸因：計算 Loss 對每個 Token Embedding 的梯度范數。簡單來說，誰對最終輸出貢獻大，誰的權重就高。
• 高斯先驗：針對 LLM 常見的「U 型注意力偏差」（過度關注開頭結尾），引入高斯分布強制模型關注中間的語義核心。

最終的 Token 權重 ，是這兩者的凸組合：

新的 Token 級 DPO 加權損失函數如下：

2. 三元組損失 (Triplet Loss)

TI-DPO 不再滿足于非黑即白的二元對比，而是引入了度量學習中的神器Triplet Loss。它在訓練過程中構建了三個角色：

TI-DPO 損失函數：TI-DPO 的最終優化目標便是兩者的加權和：

實驗結果

為了驗證 TI-DPO 的實際戰力，研究團隊在 Llama-3 (8B/3B) 和 Mistral-7B 等多個主流基座模型上進行了測試，對比了包括 DPO、SimPO 以及最近大火的 GRPO 等 10+ 種對齊算法。

1. 綜合能力評估

如圖 1，在 Llama-3.1-8B-Instruct 基座上，TI-DPO 的綜合平均分達到 62.3，超過 GRPO (62.1) 和 DPO (60.8) 。

2. 細分領域表現優秀

在 IFEval（指令遵循）、TruthfulQA（真實性）和 HumanEval（代碼生成） 這三大最考驗細節把握的任務上，TI-DPO 的表現大幅超越了 DPO、SimPO 以及 GRPO。

3. 消融實驗：核心組件缺一不可

Table 2 的消融實驗結果表明，TI-DPO 的所有核心組件（包括混合加權機制、高斯先驗和三元組損失）對于模型性能都至關重要，移除任意模塊均會導致在通用能力、數學推理及代碼生成等各項指標上的顯著下降。

4. 案例展示：一眼看懂「關鍵 Token」

為了驗證 TI-DPO 是否真的學會了「抓重點」，作者展示了一個醫療咨詢案例（「頭痛該怎么辦？」）的權重可視化熱力圖。

• 在 Preferred 回復中（左）：模型給「seek medical attention」和「promptly」分配了極高的權重（紅色深色區域），抓住了「安全第一」的核心。
• 在 Non-Preferred 回復中（右）：模型精準「抓包」了「painkillers casually」這種潛在的高風險建議，并賦予高權重加以懲罰。
• Intermediate Response是模型當前的自我水平：「建議多休息，如果惡化再看醫生」。TI-DPO 引導模型在生成過程中，不斷向 Preferred 的價值觀靠攏，同時規避 Non-preferred 的陷阱，從而完成從粗放向精細的進化。

這種有力地證明 TI-DPO 不是在死記硬背，而是真的讀懂了人類價值觀。

總結與貢獻

TI-DPO 的提出，為大模型對齊從粗放的序列級優化向更精細的 Token 級控制轉變提供了一個有力的嘗試。它不再滿足于籠統地判斷回答的「好壞」，而是試圖厘清每一個 Token 在價值對齊中的真實貢獻。

實驗結果表明，TI-DPO 在指令遵循、真實性與代碼生成等任務上，相比 GRPO 等基線取得了穩定的性能提升，驗證了提升數據利用的「顆粒度」是增強模型能力的有效路徑。

TI-DPO 以其在去噪和細節控制上的特性，為后續的 RLHF 研究提供了一個值得關注的新方向。我們期待看到更多圍繞「細粒度價值對齊」的探索，推動大模型向著更精準、更可控的方向進化。