言語AIガイド
報酬モデリング
A reward model maps a prompt and response to a scalar score intended to approximate preference or another objective.
このガイドを聴くAIによるナレーション · ~2 min
概要
It is a learned proxy, not a direct measure of human values.
ディープダイブ
In RLHF-style pipelines, a reward model is often trained on human comparisons of model outputs. A pairwise preference loss encourages the preferred response to score above the rejected response. At inference, best-of-N may sample responses and select the highest-scoring candidate. Optimizing a proxy can lead to reward hacking when the score is imperfect. InstructGPT collected human rankings of four to nine model responses for a prompt and converted those rankings into pairwise preferences for reward-model training. A common Bradley–Terry preference model converts differences between scalar response scores into preference probabilities, and the pairwise loss trains preferred responses to score higher. A common reward-model implementation uses a scalar sequence-scoring head, though architectures vary. Ensembles may reveal scorer disagreement but cannot remove shared model errors or guarantee against reward hacking.
現実世界の実装
Train from pairwise response rankings.
Use scores to rank candidate responses in best-of-N selection.
Test reward predictions on held-out comparisons.
Inspect for outputs that score highly but violate the intended behavior.
報酬モデリングの未来
Reward models remain useful components of some alignment pipelines, but require ongoing evaluation and safeguards against optimizing unintended behaviors.
実践する
なぜそれが重要なのか
- 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。
気をつけてください
- 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。
次のステップ
- 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
よくある質問
What is Reward Modeling?
A reward model maps a prompt and response to a scalar score intended to approximate preference or another objective. It is a learned proxy, not a direct measure of human values.
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。
What feedback format did the InstructGPT paper collect to train its reward model?
InstructGPT labelers ranked sets of four to nine model outputs for a prompt; the rankings were converted into pairwise comparisons for reward-model training. This is specific to that paper’s procedure.
標準報酬モデル損失は何を最適化しますか?
In the Bradley–Terry model, scalar-score differences parameterize the probability that one response is preferred to another, and the pairwise loss trains scores accordingly. These scores are not automatically calibrated measures of quality.
「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?
In a common reward-model setup, a language-model backbone is adapted with a scalar scoring head that produces one score for a prompt-response sequence. This describes that setup, not every reward-model architecture.