跳转到主要内容

奖励建模

训练奖励模型来评分文本响应,用于 PPO/RLHF 训练。
重要: 奖励模型不是文本生成器。它们为给定文本输出标量分数,用于在 PPO 训练期间提供奖励。您不能将奖励模型用作普通 LLM 进行文本生成。

快速开始

Python API

数据格式

奖励训练需要包含三列的偏好数据:

示例数据

必需参数

奖励训练需要指定所有三个列参数:
  • --prompt-text-column
  • --text-column(用于选择的响应)
  • --rejected-text-column

参数

输出模型

训练后的模型是一个 AutoModelForSequenceClassification,它:
  • 接受文本输入
  • 返回标量奖励分数
  • 更高分数表示更好的响应
  • 通过 --rl-reward-model-path 用作 PPO 训练的输入

使用奖励模型

与 PPO 训练一起使用

直接推理

最佳实践

  1. 高质量偏好数据 - 奖励模型的质量取决于您的标注质量
  2. 多样化示例 - 包含各种提示词和响应质量级别
  3. 清晰的偏好信号 - 选择的应该明显优于拒绝的
  4. 平衡数据集 - 避免偏向某些响应类型
  5. 充足数据 - 目标至少 1,000+ 偏好对

示例:构建偏好数据

下一步

PPO Training

使用您的奖励模型

DPO Training

直接偏好优化