文章主要内容和创新点主要内容本文聚焦于大型语言模型（LLMs）的偏好对齐问题，针对直接偏好优化（Direct Preference Optimization, DPO）方法的局限性展开研究。DPO的局限性分析：从概率演化角度对DPO进行了全面理论分析，发现DPO存在三大问题：对初始化高度敏感；可能导致优选和非优选响应的概率同时下降（即“似然偏移”）；概率质量可能不当分配给无关或不期望的输出，加剧模型偏见。稳定偏好优化（Stable Preference Optimization, SPO）的提出：为解决上述问题，提出一种基于双层优化的框架，将监督微调（SFT）与增强的DPO目标紧密结合。该框架引入正则化机制，明确鼓励优选输出的绝对概率提升，同时维持优化过程的稳定性。实验验证：在推理（GSM8K数据集）和摘要（UltraFeedback数据集）任务上的实验表明，SPO相比标准DPO能持续提升推理准确性，且输出分布更符合预期偏好。创新点理论分析创新：无需强假设（如单token输出），从概率演化动态（优选与非优选响应的概率变化）角度，系统揭示了DPO的核心局限性（初始化敏感性、概率质量分配不当等）。方法创新：提出双层优化框架SPO，将SFT作为下层优化提供稳健初始化，上层优化结合增强DPO目标与正则化，确保优选输