Pular para o conteúdo principal

Modelagem de Recompensa

Treine modelos de recompensa que pontuam respostas de texto para uso em treinamento PPO/RLHF.
Importante: Modelos de recompensa NÃO são geradores de texto. Eles produzem uma pontuação escalar para um dado texto, usada para fornecer recompensas durante o treinamento PPO. Você não pode usar um modelo de recompensa como um LLM normal para geração de texto.

Início Rápido

Python API

Formato dos Dados

O treinamento de recompensa requer dados de preferência com três colunas:

Exemplo de Dados

Parâmetros Obrigatórios

O treinamento de recompensa requer que todos os três parâmetros de coluna sejam especificados:
  • --prompt-text-column
  • --text-column (para respostas escolhidas)
  • --rejected-text-column

Parâmetros

Modelo de Saída

O modelo treinado é um AutoModelForSequenceClassification 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

  1. Dados de preferência de qualidade - O modelo de recompensa é tão bom quanto suas anotações
  2. Exemplos diversos - Inclua prompts variados e níveis de qualidade de resposta
  3. Sinais de preferência claros - Escolhido deve ser claramente melhor que rejeitado
  4. Dataset balanceado - Evite viés em direção a certos tipos de resposta
  5. 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