当前位置：首页 > 无 > 正文

昆仑万维发布全新大模型奖励模型Skywork-Reward，登顶RewardBench

发布时间：2024-10-07 15:31分类：无浏览：139评论：0

导读：近日，昆仑万维发布了两款全新的奖励模型Skywork-Reward-Gemma-2-27B和Skywork-Reward-Llama-3.1-8B。在权威奖励模型评估基准 Rewa...

近日，昆仑万维发布了两款全新的奖励模型Skywork-Reward-Gemma-2-27B和Skywork-Reward-Llama-3.1-8B。在权威奖励模型评估基准 RewardBench 上，这两款模型表现卓越，分别位列 RewardBench 排行榜上的第一和第三位。特别是 Skywork-Reward-Gemma-2-27B 荣登榜首，赢得了 RewardBench 官方的高度认可和点赞转发。

昆仑万维发布的两款全新奖励模型在权威奖励模型评估基准 RewardBench 上表现卓越，分别位列第一和第三位（来源：RewardBench排行榜https://huggingface.co/spaces/allenai/reward-bench）

奖励模型（Reward Model）是强化学习（Reinforcement Learning）中的核心概念和关键组成，它用于评估智能体在不同状态下的表现，并为智能体提供奖励信号以指导其学习过程，让智能体能够学习到在特定环境下如何做出最优选择。奖励模型在大语言模型（Large Language Model，LLM）的训练中尤为重要，可以帮助模型更好地理解和生成符合人类偏好的内容。

RewardBench 是专用于评估大语言模型中奖励模型有效性而设计的基准测试榜单。它通过多项任务对奖励模型的表现进行综合评估，涵盖了对话、推理和安全性等领域。RewardBench 的基准测试数据集由提示词、被选响应和被拒绝响应组成的三元组构成，旨在测试奖励模型是否能在给定提示词的情况下，将被选响应排在被拒绝响应之前。

这意味着，想要在RewardBench基准测试中脱颖而出，奖励模型不仅需在对话、安全性和推理所有领域上表现出色，还必须在具有挑战性的对抗性案例中展现稳健的应对能力，证明其具备全面的理解能力并能准确识别细微偏好差异。

昆仑万维Skywork-Reward-Gemma-2-27B 荣登榜首，赢得了 RewardBench 官方的高度认可和点赞转发

此前，最先进的奖励模型是由 NVIDIA 开发的 Nemotron-4-340B-Reward，该模型基于 HelpSteer2 偏好数据集上进行训练，该数据集包括大约 10,000 个人工标注的样本。然而，由于其模型规模庞大，使用成本较高。

Skywork-Reward 通过从公开数据中精心挑选小而精的偏序数据集，并使用相对较小的基座模型，来开发最先进的奖励模型。与现有奖励模型不同，Skywork-Reward 的偏序数据仅来自于网络公开数据，采用特定的筛选策略，以获得针对特定能力和知识领域的高质量的偏好数据集。

这些偏好数据包括由人类标注和合成生成的（问题、被选回答、被拒回答），涵盖了广泛的主题，例如来自 WildGuard 的安全性和来自 Magpie 的数学与代码。数据源包括：HelpSteer2（7K）、OffsetBias（8K）、WildGuard（对抗性）（9K），以及 Magpie DPO 系列：Ultra、Pro（Llama-3.1）、Pro、Air（350K）。

为了进一步优化数据集，昆仑万维团队利用数据集的统计信息来进行筛选，在不牺牲整体性能的情况下，实现RewardBench各领域之间的性能平衡提升：

团队基于数据集中提供的 ArmoRM 平均得分，从 Magpie 综合数据集中独立选择数学、代码和其他类别的最优样本。将 Magpie-Air 子集和 Magpie-Pro 子集的 ArmoRM 平均得分分别减去 0.1 和 0.05，以优先选择 Magpie-Ultra 和 Magpie-Pro-Llama-3.1 样本。
对于 WildGuard，并未包括所有的偏好数据，而是首先在另外三个数据源上训练一个27B奖励模型（RM）。然后（1）使用该 RM 对 WildGuard 中所有样本的被选回答和被拒回答进行评分，（2）仅选择那些被选回答的 RM 得分高于被拒回答的样本。团队观察到，这种方法在提升安全性的同时，基本保留了对话、复杂对话和推理领域的性能。
最后还进行了全面的人工验证，以剔除数据中客观不正确以及奖励差距较小的样本。

最终，Skywork-Reward 偏序训练数据集包含约 80,000 个样本，通过在这些样本上微调 Gemma-2-27B-it 和 Llama-3.1-8B-Instruct 基座模型，获得最终的 Skywork-Reward 奖励模型。

在测试过程中，昆仑万维奖励模型在对话、安全性等领域表现出色，例如在对话、安全、代码推理、数据推理等方向的困难样本中，只有 Skywork-Reward-Gemma-2-27B 模型给出了正确的预测（对比模型包括：ArmoRM 和 InternLM2-20B-Reward）。