Saltar al contenido principal

Modelado de Recompensas

Entrena modelos de recompensa que puntúan respuestas de texto para uso en entrenamiento PPO/RLHF.
Importante: Los modelos de recompensa NO son generadores de texto. Producen una puntuación escalar para un texto dado, usada para proporcionar recompensas durante el entrenamiento PPO. No puedes usar un modelo de recompensa como un LLM normal para generación de texto.

Inicio Rápido

Python API

Formato de Datos

El entrenamiento de recompensa requiere datos de preferencia con tres columnas:

Datos de Ejemplo

Parámetros Requeridos

El entrenamiento de recompensa requiere que se especifiquen los tres parámetros de columna:
  • --prompt-text-column
  • --text-column (para respuestas elegidas)
  • --rejected-text-column

Parámetros

Modelo de Salida

El modelo entrenado es un AutoModelForSequenceClassification que:
  • Toma entrada de texto
  • Retorna una puntuación de recompensa escalar
  • Puntuaciones más altas indican respuestas mejores
  • Usado como entrada para entrenamiento PPO vía --rl-reward-model-path

Usando el Modelo de Recompensa

Con Entrenamiento PPO

Inferencia Directa

Mejores Prácticas

  1. Datos de preferencia de calidad - El modelo de recompensa es tan bueno como tus anotaciones
  2. Ejemplos diversos - Incluye prompts variados y niveles de calidad de respuesta
  3. Señales de preferencia claras - Elegido debe ser claramente mejor que rechazado
  4. Dataset balanceado - Evita sesgo hacia ciertos tipos de respuesta
  5. Datos suficientes - Apunta a mínimo 1,000+ pares de preferencia

Ejemplo: Construyendo Datos de Preferencia

Próximos Pasos

PPO Training

Usa tu modelo de recompensa

DPO Training

Optimización directa de preferencias