Modelagem de Recompensa
Treine modelos de recompensa que pontuam respostas de texto para uso em treinamento PPO/RLHF.Início Rápido
Python API
Formato dos Dados
O treinamento de recompensa requer dados de preferência com três colunas:Exemplo de Dados
Parâmetros Obrigatórios
Parâmetros
Modelo de Saída
O modelo treinado é umAutoModelForSequenceClassification que:
- Recebe entrada de texto
- Retorna uma pontuação de recompensa escalar
- Pontuações mais altas indicam respostas melhores
- Usado como entrada para treinamento PPO via
--rl-reward-model-path
Usando o Modelo de Recompensa
Com Treinamento PPO
Inferência Direta
Melhores Práticas
- Dados de preferência de qualidade - O modelo de recompensa é tão bom quanto suas anotações
- Exemplos diversos - Inclua prompts variados e níveis de qualidade de resposta
- Sinais de preferência claros - Escolhido deve ser claramente melhor que rejeitado
- Dataset balanceado - Evite viés em direção a certos tipos de resposta
- Dados suficientes - Procure por pelo menos 1.000+ pares de preferência
Exemplo: Construindo Dados de Preferência
Próximos Passos
PPO Training
Use seu modelo de recompensa
DPO Training
Otimização direta de preferências