報酬モデリング
報酬モデルは、AI の応答がどの程度優れているかを予測するように訓練されたニューラル ネットワークであり、人間の判断の自動化された代役として機能します。
概要
It is the scoring engine that makes reinforcement learning from human feedback possible at scale.
ディープダイブ
報酬モデリングは、実際的な問題を解決します。人間は、トレーニング中にモデルが生成する何百万もの出力のすべてを評価することはできません。代わりに、ラベル作成者は少数の回答セットを比較し、通常は同じプロンプトに対する 2 つの回答のうちどちらが優れているかを選択します。次に、これらの比較に基づいて報酬モデルがトレーニングされ、プロンプトと応答のペアに対する単一のスカラー スコアが出力されます。標準的なトレーニング目標は Bradley-Terry モデルで、ペアごとの好みを 1 つの応答が別の応答を上回る確率に変換します。この報酬モデルは、トレーニングが完了すると、無制限の新しい出力を安価に評価でき、PPO などのアルゴリズムが言語モデルを改善するために使用するシグナルを提供します。報酬モデルは、ベストオブ N サンプリングの推論時にも再利用され、多くの候補が生成され、最高スコアのものが返されます。
技術的な洞察
通常、報酬モデルは、トークン予測ヘッドが 1 つのスカラーを出力する単一の線形層に置き換えられた基本言語モデルです。トレーニングでは、選択された応答のスコアが拒否された応答よりも高い対数尤度が最大化されます: loss = -log(sigmoid(r_chosen - r_rejected))。重要なのは相対的な差だけであるため、絶対的なスケールは任意です。品質はラベルの一貫性と対応スタイルの広範な対応にかかっています。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
報酬モデリングの未来
研究は、報酬モデルの最大の弱点に取り組んでいます。つまり、報酬モデルは「ハッキング」される可能性があり（モデルは長さを優先するなどの癖を悪用します）、ポリシーが改善されるにつれて配布から外れてしまいます。有望な方向性としては、推論の各ステップをスコアリングするプロセス報酬モデル、ハッキングを防ぐためのアンサンブルと不確実性の推定、AI 生成の選好ラベル (RLAIF)、および単なる数値ではなく批判と根拠を生成する生成報酬モデルが含まれます。
現実世界の実装
PPO トレーニング中に候補者の回答をスコアリングすることで、ChatGPT や Claude などのアシスタントの RLHF を強化します
Best-of-N サンプリング。モデルが多数の回答を生成し、報酬モデルがユーザーにとって最適なものを選択します。
数学とコーディングの「検証者」、または問題解決を向上させるために中間推論ステップをスコア化するプロセス報酬モデル
合成トレーニング データをランク付けしてフィルタリングし、スコアの高い世代のみを保持してさらに微調整します
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Reward Modeling quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
次のガイド
ブラッドリー・テリーの報酬モデリング
よくある質問
What is Reward Modeling?
報酬モデルは、AI の応答がどの程度優れているかを予測するように訓練されたニューラル ネットワークであり、人間の判断の自動化された代役として機能します。これは、人間のフィードバックからの大規模な強化学習を可能にするスコアリング エンジンです。
与えられたプロンプトと応答のペアに対する報酬モデルの主な出力は何ですか?
報酬モデルは、プロンプトと応答を、予測される品質または人間の好みを表す 1 つのスカラー数値にマッピングします。
報酬モデルをトレーニングするために最も一般的に使用される人間のデータは何ですか?
ラベル作成者は通常、同じプロンプトに対する 2 つの応答を比較し、より良い方を選択します。 Bradley-Terry モデルは、これらをスカラー報酬に変換します。
標準報酬モデル損失は何を最適化しますか?
Bradley-Terry 損失 -log(sigmoid(r_chosen - r_rejected)) は相対的な順序のみを考慮するため、絶対スケールは任意です。
「報酬ハッキング」とは何ですか?
報酬ハッキングは、不完全な報酬モデルでは高く評価されるが人間では評価されない近道（過剰な長さやお世辞など）をモデルが見つけたときに発生します。
報酬モデルは言語モデルからアーキテクチャ的にどのように派生するのでしょうか?
報酬モデルは通常、LM バックボーンを再利用しますが、最終層を単一のスカラー報酬を出力する層に交換します。