奖励建模
训练奖励模型来评分文本响应,用于 PPO/RLHF 训练。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
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
- 高质量偏好数据 - 奖励模型的质量取决于您的标注质量
- 多样化示例 - 包含各种提示词和响应质量级别
- 清晰的偏好信号 - 选择的应该明显优于拒绝的
- 平衡数据集 - 避免偏向某些响应类型
- 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