simpo-loss
/simpo-loss
Implementuje funkcję straty SimPO do dopasowywania LLM: cele treningowe SimPO, optymalizację nagrody bez modelu referencyjnego i stratę preferencji Bradleya-Terry'ego z docelowym marginesem nagrody.
- Autor
- cxcscmu ↗
- Repozytorium
- SkillLearnBench ↗
- Licencja
- MIT
- Ostatnia zmiana repozytorium
- 02.10.2026
Ocena i bezpieczeństwo
- Pliki w paczce
- 1
- Skrypty
- 0
- Komentarze HTML
- 0
- Adresy URL w SKILL.md
- 0
Brak sygnałów. Repozytorium zmienione 02.10.2026, bez odwołań do wycofanych modeli i API.
MIT, otwarta: można używać i zmieniać, z zachowaniem informacji o autorze.
Co robi i kiedy
Implementuje funkcję straty SimPO do dopasowywania LLM: cele treningowe SimPO, optymalizację nagrody bez modelu referencyjnego i stratę preferencji Bradleya-Terry'ego z docelowym marginesem nagrody.
Oryginalny opis (EN)
Implement the SimPO (Simple Preference Optimization) loss function for LLM alignment. Use this skill whenever implementing SimPO training objectives, reference-free reward optimization, or Bradley-Terry preference loss with target reward margin. Triggers on: SimPO, preference optimization loss, average log probability reward, gamma margin.
Jak działa
- Paper Reference
- Core Formula
- Key Design: Length-Normalized Reward
- Implementation
- Config Parameters
- Notes
Podgląd SKILL.md
---
name: simpo-loss
description: Implement the SimPO (Simple Preference Optimization) loss function for LLM alignment. Use this skill whenever implementing SimPO training objectives, reference-free reward optimization, or Bradley-Terry preference loss with target reward margin. Triggers on: SimPO, preference optimization loss, average log probability reward, gamma margin.
---
# SimPO Loss Implementation
## Paper Reference
"SimPO: Simple Preference Optimization with a Reference-Free Reward" (Meng et al., 2024)
## Core Formula
The SimPO objective (Eq. 6 from paper):
```
L_SimPO(π_θ) = -E[(x,yw,yl)~D] [log σ(β/|yw| * log π_θ(yw|x) - β/|yl| * log π_θ(yl|x) - γ)]
```
Where:
- `β` (beta): scaling factor for rewards
- `γ` (gamma): target reward margin = `gamma_beta_ratio * beta`
- `|yw|`, `|yl|`: sequence lengths of winning/losing responses (used for length normalization)
- `σ`: sigmoid function
## Key Design: Length-Normalized Reward
The implicit reward is the **average log probability** (not sum):
```
r(x, y) = β/|y| * log π_θ(y|x) = β * avg_log_prob(y)
```
This aligns with the generation metric (average log-likelihood).
## Implementation
```python
def simpo_loss(self, policy_chosen_logps, policy_rejected_logps):
"""
Args:
policy_chosen_logps: Average log probs for chosen. Shape: (batch_size,)
policy_rejected_logps: Average log probs for rejected. Shape: (batch_size,)
Note: inputs are already length-normalized (average_log_prob=True upstream)
"""
# Compute rewards (beta * avg_log_prob)
chosen_rewards = self.beta * policy_chosen_logps
rejected_rewards = self.beta * policy_rejected_logps
# gamma = gamma_beta_ratio * beta
gamma = self.gamma_beta_ratio * self.beta
# Reward difference with target margin
logits = chosen_rewards - rejected_rewards - gamma
if self.loss_type == "sigmoid":
# With optional label smoothing
losses = (
-F.logsigmoid(logits) * (1 - self.label_smoothing)
- F.logsigmoid(-logits) * self.label_smoothing
)
elif self.loss_type == "hinge":
losses = torch.relu(1 - logits)
else:
raise ValueError(f"Unknown loss type: {self.loss_type}")
return losses, chosen_rewards, rejected_rewards
```
## Config Parameters
From `SimPOConfig`:
- `beta: float = 2.0` - reward scaling
- `gamma_beta_ratio: float = 0.25` - γ/β ratio, so γ = 0.25 * 2.0 = 0.5 by default
- `label_smoothing: float = 0` - smoothing for sigmoid loss
- `loss_type: Literal["sigmoid", "hinge"] = "sigmoid"`
## Notes
- `gamma_beta_ratio` represents γ/β, so actual gamma = `gamma_beta_ratio * beta`
- The logps passed in are already averaged (from `get_batch_logps` with `average_log_prob=True`)
- Rewards are beta-scaled average log probabilities
- No reference model needed (reference-free)
Wersje
| Repozytorium | Wynik | Licencja |
|---|---|---|
| Ta strona · cxcscmu/SkillLearnBench | 100 | MIT |
| cxcscmu/SkillLearnBench | 100 | MIT |
| cxcscmu/SkillLearnBench | 100 | MIT |
Migawka bazy z 28.10.2026 · wersja paczki 8ab5190f45c1 (skrót SHA-256 całej paczki)
Zgłoś problem z tym skillem: szkodliwa treść, błędny opis albo prośba autora o usunięcie.
Podobne skille
- 100simpo-loss-implementation
Implementuje funkcję straty SimPO dla modeli językowych dopasowanych do preferencji: cele treningowe, nagrody znormalizowane długością i przekład wzorów z artykułu na kod PyTorch. - 95implement-simpo-loss
Implementuje funkcję simpo_loss w SimPOTrainer według artykułu SimPO: nagroda znormalizowana długością z marginesem gamma i strata BCE bez modelu referencyjnego. - 95simpo-training
Opisuje i wspiera trening SimPO do dopasowania modeli językowych, czyli metodę bez modelu referencyjnego, alternatywną wobec DPO. - 100preference-optimization
Dopasowuje dostrojony model do danych preferencji metodami DPO, ORPO, KTO lub SimPO i pomaga dobrać metodę oraz hiperparametry albo debugować przebieg DPO. - 100add-reward
Prowadzi przez dodanie nowej funkcji nagrody do AReaL. - 100add-reward
Prowadzi przez dodanie nowej funkcji nagrody do AReaL.