Direct Preference Optimization (DPO)는 쌍체 선호도(pairwise preferences)로부터 언어 모델을 정렬하기 위해 널리 사용되는 RL-free(강화학습이 필요 없는) 방식이지만, 생성은 토큰별 결정에 의해 이루어짐에도 불구하고 전체 시퀀스에 대한 선호도를 모델링합니다. 기존의 토큰 수준 확장 방식들은 일반적으로 시퀀스 수준의 Bradley-Terry 목적 함수를 타임스텝(timesteps)에 따라 분해하며, 이 과정에서 각 접두사(per-prefix, 상태별) 최적성을 암시적으로만 남겨둡니다. 본 연구에서는 표준적인 시퀀스 수준의 쌍체 비교만을 사용하여 어떻게 토큰 수준의 선호도 최적성을 회복할 수 있는지 연구합니다. 우리는 접두사에 조건화된 다음 토큰 행동(next-token actions)에 대해 토큰 수준의 Bradley-Terry 선호도 모델을 가정하는 Token-level Bregman Preference Optimization (TBPO)를 도입하며, 토큰 수준 모델에 의해 유도된 최적 정책을 보존하고 DPO와 유사한 단순성을 유지하면서도 로지스틱/DPO 손실을 일반화하는 Bregman-divergence 밀도 비율 매칭(density-ratio matching) 목적 함수를 도출합니다. 우리는 두 가지 구현체를 소개합니다: 경량화된 상태 베이스라인(state baseline)을 명시적으로 학습하는 TBPO-Q와, 어드밴티지 정규화(advantage normalization)를 통해 베이스라인을 제거하는 TBPO-A입니다. 지시 이행(instruction following), 유용성/무해성(helpfulness/harmlessness), 요약(summarization) 벤치마크 전반에 걸쳐, TBPO는 강력한 시퀀스 수준 및 토큰 수준 베이스라인들과 비교했을 때 정렬 품질과 학습 안정성을 개선하고 출력 다양성을 증가시킵니다.