近期，gsm8k、MATH被各种7B小模型刷的飞起，其中，step-level-dpo成为刷分利器。这里，instance-level-dpo指 preference-dataset使用 完整的chosen-tracjectory和rejected-tracjectory。

而step-level-dpo则使用step-chosen、step-rejected构造偏序数据集。相比instance-level-dpo，step-level-dpo则使用如下公式：

相比instance-level-dpo，step-level-dpo只优化step-level的数据，而共同前缀则作为prompt的一部分，不参与loss计算。这里，我们首先介绍几篇与step-dpo相关的文章。

Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning

该文章提出step-level-dpo，为了获取step-level的偏序数据，则使用树搜索获取具有共同前缀的step-level偏序数据。使用树搜索可以天然地获取具有共同前缀的preference-dataset，而且，可以利用UCT、estimated-Q等等，选择preference-step，以及 对 step-dpo算法做label smoothing 如 根据访问次数对dpo-loss做平滑。

Step-level Value Preference Optimization for Mathematical Reasoning

该工作继承了alphamath，将value-function估计与step-level-dpo结合。preference-dataset的构造与[1]类似，即使用树搜索+output-reward筛选chosen、rejected step。在整个模型训练过程中，加入了value-head的训练，解码时，可以使用value-guided-decoding，采样复杂度介于greedy/random-sample和MCTS之间，达到更好的效果。该工作在训练中，为了防止模型退化，加入了sft-loss。

RL on Incorrect Synthetic Data Scales the Efficiency of LLM Math Reasoning by Eight-Fold

该文章系统地讨论了使用答案错误样本提升数学能力的方法。

相比前几个工作，该工作使用朴素的rollout，估计每个step的value-function，并根据q值，获取chosen和rejected-step。当使用step-level-dpo优化时，达到相同acc，可以少用8倍的数据量。

同时，该工作也指出，当我们使用step-dpo时，模型具备step-level的错误检测能力（与文章[4]的观点类似）：

Step-DPO: Step-wise Preference Optimization for Long-chain Reasoning of LLMs

该工作是笔者认为近期较为扎实的工作，虽然只在gsm8k、math两个数据集上完成的实验，但在足够的多base、instruct以及rl模型上进行实验，证明了step-dpo在不同尺寸的强基线上依然可以取得更好的结果。

从结果上来看，step-dpo在deepseekmath-rl上依然有一定的提升（尤其是在MATH上）。此外，在qwen2不同尺寸、llama3上，从7B到70B，step-dpo依然可以带来一致性的提升。

从preference-dataset的构造上来看，该文章首先用deepseek-math-instruct在metamath、MMIQC等数据集完成一次推理，获取符合特定格式的response。并根据answer筛选答案正确的数据作为训练数据。在构造preference-data时，和前述的工作类似，但使用了和sft-dataset不同的prompt数据。

之前，我们简单探讨过tdpo在eurus上的评测。这里，我们在Step-DPO-10k的preference-dataset上进行实验的复现，以及 tdpo在有共同前缀response上的性能评测。

step-dpo使用文章里面的超参数，dpo-beta=0.4

数据集: Step-DPO-10k

由于Step-DPO的提供了(step-chosen，step-rejected)、(full-chosen，full-rejected)的数据集，我们进行了共同前缀的step-level、共同前缀的instance-level的dpo训练。

对于tdpo，我们使用instance-level的数据，区别仅在于共同前缀放prompt还是response。当共同前缀放response，则tdpo中的forward-kl 会 消掉且 dpo-loss的前缀loss也会消掉，只剩下不同后缀的forward-kl和dpo-loss。

从上表中可以看到，我们重新实现的训练trainer和官方模型的infer结果基本接近。当使用不同的模版时，不管是step-dpo还是tdpo，性能都会有一定的下降。其中，tdpo的性能下降更为明显。

当换成alpaca-template后，tdpo性能符合预期，在gsm8k上，得到87.11的解决率。而step-dpo则在math上的提升更为明显。

不管是Eurus-Preference-Dataset，还是 Step-DPO-Preference-Dataset，都能够给sft模型带来不同程度的提升。尤其是step-dpo、tdpo等等算法，能够取得更为稳定的提升（至少模型能力不退化）。而笔者自己的xpo实验，均基于sft数据集的prompt构建chosen、rejected pair，在xpo等方法上，一训就崩，尤其是数学和code。

当使用新的prompt或者不同模型的response构造的preference-datasets，xpo的训练更为稳定（如eurus-preferenced-dataset、step-dpo-preference-dataset）。当使用新的prompt或者不同模型的response构造的偏序数据，对于xpo等等来说，都算是out-of-distribution dataset。而如果使用sft+sft-model获取的偏序数据，则为in-distribution dataset。对于offline-rl，in-distribution数据似乎限制了模型的优化且更容易破坏模型的原始分布（如数学、code等有一定的格式约束），而ood数据似乎为offline-rl提供了更好的探索。

参考文献

[1] Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning