训练与微调

奖励模型

Reward Model (RM)

给模型输出打分的「裁判」,RLHF 里替代人工逐条评分的关键件。

又称 Reward Model RM 打分模型

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

先收集人类对同一问题多个回答的偏好排序,用这些排序训一个打分模型;之后强化学习阶段就让它批量给新回答打分,不必每条都找人看。

它的局限也很明确:裁判本身有偏好、会被钻空子(模型学会说裁判爱听的话而不是把事做对),所以要配合 KL 约束、定期换新偏好数据。后来用可验证奖励绕开打分模型,也是这个原因。

✦举个例子

同一个问题生成 4 个答案,人标出最喜欢的一个,这类排序攒够几万条就能训裁判。

✓实战提示

做对齐时留意「分数涨了但人工验收变差」,那通常是奖励被钻空子了。

02 什么时候会碰到它
判断一个新版本到底改了什么时

预训练、对齐、微调、蒸馏各有各的代价。看懂这组词,才能分清「知识量变了」还是「只是更听话了」,也才知道自己的业务该不该做微调。

03 和这几个词怎么区分

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活