由于 RLHF 的训练过程中需要依赖大量的人类偏好数据进行学习,因此很难在训练过程中要求人类标注者实时提供偏好反馈。为此,我们需要训练一个模型来替代人类在 RLHF 训练过程中实时提供反馈,这个模型被称为奖励模型。在训练开始前,我们需要预先构造一系列相关问题作为输入。人类标注者将针对这些问题标注出符合人类偏好的输出以及不符合人类偏好的输出。收集到这些人类偏好数据后,就可以用来训练奖励模型。经过充分训练的奖励模型能够有效地拟合人类偏好,并在后续的强化学习训练过程中替代人类提供反馈信号。这样一来,就可以在保证训练效率的同时,加强模型行为与人类期望的一致性。
训练方法
奖励模型通过在人类偏好数据上进行训练,进而针对模型输出进行质量的判别,所给出的分数可以在一定程度上反应人类偏好。一般来说,奖励模型是基于语言模型进行设计的,模仿人类标注人员对于模型生成内容进行质量评分,实现对于人类偏好分数的预测。具体来说,线性变换头将语言模型最后一层的隐状态从一个具有词嵌入维度大小的向量 R d