SimPO - Simple Preference Optimization

Quick start

SimPO é um método de otimização de preferências sem modelo de referência que supera o DPO sem precisar de um modelo de referência.

Instalação:

# Create environment
conda create -n simpo python=3.10 && conda activate simpo

# Install PyTorch 2.2.2
# Visit: https://pytorch.org/get-started/locally/

# Install alignment-handbook
git clone https://github.com/huggingface/alignment-handbook.git
cd alignment-handbook
python -m pip install .

# Install Flash Attention 2
python -m pip install flash-attn --no-build-isolation

Treinamento (Mistral 7B):

ACCELERATE_LOG_LEVEL=info accelerate launch \
  --config_file accelerate_configs/deepspeed_zero3.yaml \
  scripts/run_simpo.py \
  training_configs/mistral-7b-base-simpo.yaml

Workflows comuns

Workflow 1: Treinar a partir de modelo base (Mistral 7B)

Config (mistral-7b-base-simpo.yaml):

# Model
model_name_or_path: mistralai/Mistral-7B-v0.1
torch_dtype: bfloat16

# Dataset
dataset_mixer:
  HuggingFaceH4/ultrafeedback_binarized: 1.0
dataset_splits:
  - train_prefs
  - test_prefs

# SimPO hyperparameters
beta: 2.0                  # Reward scaling (2.0-10.0)
gamma_beta_ratio: 0.5       # Target margin (0-1)
loss_type: sigmoid          # sigmoid or hinge
sft_weight: 0.0             # Optional SFT regularization

# Training
learning_rate: 5e-7         # Critical: 3e-7 to 1e-6
num_train_epochs: 1
per_device_train_batch_size: 1
gradient_accumulation_steps: 8

# Output
output_dir: ./outputs/mistral-7b-simpo

Iniciar treinamento:

accelerate launch --config_file accelerate_configs/deepspeed_zero3.yaml \
  scripts/run_simpo.py training_configs/mistral-7b-base-simpo.yaml

Workflow 2: Fine-tune de modelo instruct (Llama 3 8B)

Config (llama3-8b-instruct-simpo.yaml):

model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct

dataset_mixer:
  argilla/ultrafeedback-binarized-preferences-cleaned: 1.0

beta: 2.5
gamma_beta_ratio: 0.5
learning_rate: 5e-7
sft_weight: 0.1             # Add SFT loss to preserve capabilities

num_train_epochs: 1
per_device_train_batch_size: 2
gradient_accumulation_steps: 4
output_dir: ./outputs/llama3-8b-simpo

Iniciar:

accelerate launch --config_file accelerate_configs/deepspeed_zero3.yaml \
  scripts/run_simpo.py training_configs/llama3-8b-instruct-simpo.yaml

Workflow 3: Tarefas com raciocínio intensivo (LR mais baixo)

Para tarefas de matemática/código:

model_name_or_path: deepseek-ai/deepseek-math-7b-base

dataset_mixer:
  argilla/distilabel-math-preference-dpo: 1.0

beta: 5.0                   # Higher for stronger signal
gamma_beta_ratio: 0.7       # Larger margin
learning_rate: 3e-7         # Lower LR for reasoning
sft_weight: 0.0

num_train_epochs: 1
per_device_train_batch_size: 1
gradient_accumulation_steps: 16

Quando usar vs alternativas

Use SimPO quando:

• Quer treinamento mais simples que DPO (sem modelo de referência)
• Tem dados de preferência (pares escolhido/rejeitado)
• Precisa de melhor desempenho que DPO
• Recursos computacionais limitados
• Treinamento em nó único é suficiente

Seleção de algoritmo:

• SimPO: Mais simples, melhor desempenho, sem modelo de referência
• DPO: Precisa de baseline de modelo de referência, mais conservador
• PPO: Controle máximo, precisa de modelo de recompensa, setup complexo
• GRPO: RL eficiente em memória, sem critic

Use alternativas em vez disso:

• OpenRLHF: Treinamento distribuído multi-node, PPO/GRPO
• TRL: Precisa de múltiplos métodos em um framework
• DPO: Baseline de comparação estabelecido

Problemas comuns

Problema: Divergência de loss

Reduza a taxa de aprendizado:

learning_rate: 3e-7  # Reduce from 5e-7

Reduza beta:

beta: 1.0  # Reduce from 2.0

Problema: Modelo esquece capacidades

Adicione regularização SFT:

sft_weight: 0.1  # Add SFT loss component

Problema: Separação de preferência ruim

Aumente beta e margem:

beta: 5.0            # Increase from 2.0
gamma_beta_ratio: 0.8  # Increase from 0.5

Problema: OOM durante treinamento

Reduza o tamanho do batch:

per_device_train_batch_size: 1
gradient_accumulation_steps: 16  # Maintain effective batch

Habilite gradient checkpointing:

gradient_checkpointing: true

Tópicos avançados

Funções de loss: Veja references/loss-functions.md para sigmoid vs hinge loss, formulações matemáticas e quando usar cada uma.

Ajuste de hiperparâmetros: Veja references/hyperparameters.md para guia de seleção de beta, gamma, taxa de aprendizado, e recomendações específicas por tamanho de modelo.

Preparação de dataset: Veja references/datasets.md para formatos de dados de preferência, filtragem de qualidade e criação de datasets customizados.

Requisitos de hardware

• GPU: NVIDIA A100/H100 recomendado
• VRAM:
  • Modelo 7B: 1× A100 40GB (DeepSpeed ZeRO-3)
  • Modelo 8B: 2× A100 40GB
  • Modelo 70B: 8× A100 80GB
• Single-node: DeepSpeed ZeRO-3 é suficiente
• Precisão mista: BF16 recomendado

Otimização de memória:

• DeepSpeed ZeRO-3 (config padrão)
• Gradient checkpointing
• Flash Attention 2

Recursos

• Paper: https://arxiv.org/abs/2405.14734 (NeurIPS 2024)
• GitHub: https://github.com/princeton-nlp/SimPO
• Models: https://huggingface.co/princeton-nlp
• Alignment Handbook: https://github.com/huggingface/alignment-handbook