Modelado de Recompensas
Entrena modelos de recompensa que puntúan respuestas de texto para uso en entrenamiento PPO/RLHF.Inicio Rápido
Python API
Formato de Datos
El entrenamiento de recompensa requiere datos de preferencia con tres columnas:Datos de Ejemplo
Parámetros Requeridos
Parámetros
Modelo de Salida
El modelo entrenado es unAutoModelForSequenceClassification 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
- Datos de preferencia de calidad - El modelo de recompensa es tan bueno como tus anotaciones
- Ejemplos diversos - Incluye prompts variados y niveles de calidad de respuesta
- Señales de preferencia claras - Elegido debe ser claramente mejor que rechazado
- Dataset balanceado - Evita sesgo hacia ciertos tipos de respuesta
- 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