本文介绍了一种新的大模型对齐方法KTO（Kahneman-Tversky Optimization）。与需要成对偏好数据的RLHF和DPO不同，KTO仅需简单的“点赞/点踩”这类孤立反馈即可训练模型，极大降低了数据获取门槛。其核心思想源于行为经济学中的前景理论，特别是“损失厌恶”原理，即人类对损失的敏感度高于等量收益。KTO通过调整损失函数，使模型对负面反馈施加更强惩罚，从而更有效地抑制不良输出。文章从通俗类比、理论基石、优势对比、数学原理到实战代码，系统阐述了KTO如何利用海量现成日志数据实现高效、稳健的模型对齐，为开发者提供了一种数据要求更低、更易落地的替代方案。