step1，文本生成模型，作为policy model：输入question，返回answer，
step2，文本匹配模型，作为reward model：输入question-answer-pair，返回reward，
两个模型共享encoder。
如InstructGPT论文所示，人工标注过程是标policy model的 预测/生成 top-N结果，给每个生成结果一个[good]/[bad]的标注即Reward，来训练文本匹配reward模型，
其实 文本匹配reward模型 可以没有，直接根据用户标注的[good]/[bad]，去掉训练数据里的[bad]数据，只保留[good]数据 给文本生成policy模型 训练是一样的。
参考代码：https://github/openai/lm-human-preferences
更多推荐
从零构建ChatGPT
发布评论