直接偏好优化（Direct Preference Optimization, DPO）是一种简化的对齐算法，由Meta在2023年提出。它绕过了RLHF中训练奖励模型和强化学习的复杂步骤，直接用人类偏好对（chosen, rejected）通过一个简化的损失函数优化策略模型。 DPO的理论基础是：最优策略可由奖励函数显式表示，从而将奖励学习与策略优化合并为一步分类问题。它训练更稳定、超参更少、计算更便宜，效果在许多任务上接近甚至超过RLHF，因此迅速被广泛采用。 DPO的局限是对偏好数据质量敏感、对离线数据利用不如RLHF灵活、可能过度优化偏好分布。后续衍生出IPO、KTO、SimPO等改进变体。DPO已成为开源模型对齐的主流选择。