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。
给模型输出打分的「裁判」,RLHF 里替代人工逐条评分的关键件。
本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正
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。
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。
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。
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。