概述
獎勵模型是一種經過訓練的神經網絡，可以預測人工智慧的反應有多好，充當人類判斷的自動替代品。正是評分引擎使大規模的人類回饋強化學習成為可能。
獎勵建模是語言人工智慧堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。
深入探討
獎勵建模解決了一個實際問題：人類無法對模型在訓練過程中產生的數百萬個輸出中的每一個輸出進行評分。相反，貼標籤者會比較一小組答案，通常會選擇同一提示的兩個答案中哪一個比較好。然後根據這些比較訓練獎勵模型，為任何提示-響應對輸出單一標量分數。標準訓練目標是 Bradley-Terry 模型，它將成對偏好轉換為一個反應得分超過另一個反應的機率。經過訓練，這種獎勵模型可以廉價地評估無限的新輸出，為 PPO 等演算法提供用於改進語言模型的訊號。獎勵模型也會在推理時重用於 N 次最佳取樣，其中會產生許多候選對象並傳回得分最高的候選對象。
技術洞察
獎勵模型通常是基礎語言模型，其標記預測頭被發出一個標量的單一線性層取代。訓練最大化所選反應得分高於被拒絕回應得分的對數似然：loss = -log(sigmoid(r_chosen - r_rejected))。只有相對差異才重要，因此絕對比例是任意的。品質取決於標籤的一致性和回應方式的廣泛覆蓋。
掌握獎勵模型
獎勵模型是一種經過訓練的神經網絡，可以預測人工智慧的反應有多好，充當人類判斷的自動替代品。正是評分引擎使大規模的人類回饋強化學習成為可能。獎勵建模是語言人工智慧堆疊的一部分，用於大規模讀取、生成、分類和轉換文字和語音。為了建立深入的理解，請將獎勵建模視為操作模型，而不是單一功能：定義期望值的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用獎勵建模的強大團隊將提示、檢索和審查循環設計為一個整合的通訊系統。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
語言工作流程可以在不犧牲一致性的情況下更快地移動。同時，幻覺事實可以悄悄地進入報告、支持流程或研究成果。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
語言工作流程可以在不犧牲一致性的情況下更快地移動。
語言工作流程可以在不犧牲一致性的情況下更快地移動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
它擴展了跨語言和溝通方式的訪問。
它擴展了跨語言和溝通方式的訪問。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
團隊可以花更多時間進行判斷，而自動化則可以處理重複。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
透過在 PPO 培訓期間對候選人的回答進行評分，為 ChatGPT 和 Claude 等助理提供 RLHF 動力
Best-of-N 取樣，模型產生許多答案，獎勵模型為使用者選擇最佳答案
數學和編碼「驗證者」或過程獎勵模型，對中間推理步驟進行評分以提高問題解決能力
對合成訓練資料進行排名和過濾，僅保留高分代以進行進一步微調
實施模式
實踐中的獎勵建模
透過在 PPO 培訓期間對候選人的反應進行評分，為 ChatGPT 和 Claude 等助理提供 RLHF 動力。
透過在 PPO 培訓期間對候選人的反應進行評分，為 ChatGPT 和 Claude 等助理提供 RLHF 能力 當團隊預先定義質量閾值、針對邊緣情況保留人工升級路徑並跟踪一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
實踐中的獎勵建模
Best-of-N 取樣，模型產生許多答案，獎勵模型為使用者選擇最佳答案。
Best-of-N 取樣，模型產生許多答案，獎勵模型為使用者選擇最好的答案。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的獎勵建模
數學和編碼「驗證者」或過程獎勵模型，對中間推理步驟進行評分以提高問題解決能力。
數學和編碼「驗證者」或過程獎勵模型對中間推理步驟進行評分，以改善問題解決能力。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的獎勵建模
對合成訓練資料進行排名和過濾，僅保留高分代以進行進一步微調。
對合成訓練資料進行排名和過濾，僅保留高分代以進行進一步微調當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
在推出之前定義輸出格式、語氣和品質標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
當準確性很重要時，請使用可信任來源進行地面回應。
當準確性很重要時，請使用可信任來源進行地面回應。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為高風險輸出保留人工審查檢查點。
為高風險輸出保留人工審查檢查點。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤故障模式並定期重新訓練提示或工作流程。
追蹤故障模式並定期重新訓練提示或工作流程。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。