理解大模型训练中的PRM(过程奖励模型)训练

原创最新推荐文章于 2026-10-14 17:29:11 发布 2.8k 阅读 AI写同款

AIBigModel

5358粉丝706篇原创

关注

奖励建模（Reward Modeling）实现人类对智能体的反馈人类反馈作为一种重要的教育资源，可用于指导智能体尤其是其中包含的大语言模型进行学习和改进，进而使得智能体在处理复杂任务时能够更准确地模拟人类智慧，并产生更为人性化和实用的交互效果。在实践中，这种结合已应用于诸如聊天机器人、虚拟助手、自动写作助手等多种场景。这样，通过不断迭代和学习，大语言模型就能更好地适应和满足人类的沟通需求和价值观，从而展现出更强的交互能力和更好的表现。阅读详情

AI摘要

本文聚焦ORM奖励模型，介绍其在LLM研发中的作用，如在RLHF中是关键一环、用于拒绝采样与SFT、作为业务场景的Verifier。还基于OpenRLHF源码，从样本数据、数据处理、模型结构、Loss函数等方面详细解读了ORM的训练过程。

作者：姜富春
原文：https://zhuanlan.zhihu.com/p/14993645091

导语

LLM Post-Training过程中，会出现较多使用Reward Model的场景。那么LLM中Reward Model是什么？其实简单说就是按照人的偏好制定的一种奖励规则。比如在文创场景：

• 场景1：创作的内容越丰富，越有层次的结果认为是好结果，奖励分会高，相反奖励分就低。
• 场景2：创作的内容越通俗易懂越好，奖励分高，越阳春白雪越差，奖励分越低

所以从上面的场景可以看出，Reward Model是按业务自定义的规则做的偏好打分，有比较强的主观性。

当前Reward Model 有两种主流的范式：

• ORM（Outcome Reward Model）: 在生成模型中，通常是对生成的结果整体做一个打分。
• PRM （Process Reward Model）：在生成的过程，分步骤，对每一步进行打分，是更细粒度的奖励模型。在CloseAI推出O1之后，PRM逐渐成为业界研究的新宠。

由于两种范式有较大的区别，本文只聚焦讲解ORM。（PRM后续会单独整理一文）

我们在了解RM的训练过程之前，先聊聊RM在LLM研发中到底有啥用？

1.LLM场景中RM的作用

在LLM研发范式中，RM的作用真的是大大地！毫不夸张地说，有了一个好的RM模型，你的业务才能起飞，形成真正的迭代的飞轮。

下面列举几个RM的使用场景，看看他的作用。

1.1. RLHF中的关键一环

当年openAI 还真的open的时候，让我们学会了RLHF的新研发范式，其中step2就是训练一个RM，如下图1所示。（paper链接[1]），有了RM后RLHF才能转起来。RLHF是训LLM的大杀器，随着LLM模型能力从一个文科生(GPT-4) -> 理科生(openAI O1)的演进，Reinforce Learning的角色越来越重要，RM又是RL中不可或缺的部分。

图1、OpenAI instructGPT RLHF架构图

1.2. 拒绝采样 + SFT

我们仔细看看真OpenAI（Mata）的Llama3.1的paper（paper地址[3]）。post-training阶段的训练流程，如下图2所示。这是一个飞轮迭代的过程，Llama转了6轮。

图2、Llama3 post-training 框图

我们来看看Llama做Post-training的飞轮过程：

1.持续通过人工标注或机造方式富集偏好pair样本，训练Reward Model

2.基于当前能力最好的模型，随机采集一批，每个Prompt拿最好的模型做次数据生成采样，每个Prompt就得到条数据

3.拒绝采样：对第2步采样个数据，用Reward Model打分，并从中选取打分最高 topN 条样本。作为指令微调的精选样本，训练SFT Model。

4.训完SFT Model，再通过持续收集的偏好对样本（同步骤1）做对齐学习（Llama使用的是DPO）。最终得到了一个比当前模型更好的模型

5.持续做步骤1~步骤4，飞轮迭代优化模型。

拒绝采样是我们自动化做样本工程的非常重要方法，这里面Reward Model 是最关键的角色。

我个人理解，拒绝采样也是一种对齐学习的方法，本质上跟PPO和DPO发挥的作用是一样的，只是一个是直接在SFT阶段做对齐，一个是在SFT后做对齐。

1.3. 业务场景的Verifier

我们总说LLM在应用场景落地时，会有幻觉问题、有安全控制等问题，当然这些能力都能在训练中模型优化。但总有些恶意攻击者，或总有些不经意的场景会突破模型的能力范畴，模型会给出智障的回答。在这种场景下，模型后面可以接一个判别器（Verifier），对结果做个校验，满足判别阈值之上的结果才输出，不满足判别条件的做再生成或兜底降级处理。Reward Model就是就可以充当这个判别器的角色，可以对LLM的结果做一层校验控制，以输出更可靠的结果，如图3所示。（当然也有Reward Model失控的场景，这属于Reward Hacking范畴，这是一个比较深刻的话题，本人当前涉及比较浅薄，暂不讨论这块）

图3、业务落地Reward Model作为判别器控制生成结果

相信通过上面的介绍，我们了解了Reward Model，也意识到了Reward Model的重要性。我们可以结合自己的场景，好好想想、也该好好搞搞Reward Model吧。标注样本的时候想想Reward Model的样本怎么采集、怎么标注，别一股脑上来就是SFT，到项目干完还是SFT，完全飞轮不起来。（才思泉涌，说跑偏了......）

我们回到正题~

本文接下来主要基于OpenRLHF源码，详细讲解下ORM（Outcome Reward Model）的训练过程。（注：为方便阅读，本文后面统一将ORM称为Reward Model，简写RM）

2.源码解读Reward Model训练过程

RM训练的入口函数详见：train_rm.py。接下来我从样本、数据处理、模型结构、loss几个方面详细讲解下RM的训练过程

2.1. 样本数据

训Reward Model的样本数据一般是一个pairwise的训练数据。典型的样本格式是个三元组

一条question样本，带着两个answer，一条正例、一条负例。对于生成模型的RM的样本，通常会对这个三元组称做

也可以表述成另一种二元组的形式：

把prompt 拼接上每个回答，构成一个完整的问答对，pair前一项 prompt + chosen 表示一个好的问答对；后一项表示一个差的问答对。

本文以huggingface的一个Reward样本数据为例（地址：preference_dataset_mixture2_and_safe_pku[4]），看下具体的样本格式。如下图：

图4、偏好样本数据图例

数据共有四列，除了上面描述的 chosen 和 rejected 两列（这两列是拼接了prompt的格式），还有两列chosen_score 和 rejected_score，表示样本的置信度，可以按该打分的绝对值和差值做些样本筛选处理。

我们展开一条样本看下：

图5、一条偏好pair样本

上面这条样本是个chat格式的，这是NLP领域处理会话任务的一种较通用的格式。上面一条样本中chosen 和 rejected内部都有两轮对话。每条对话有角色(role)和内容(content)两部分组成。在该样本中，user角色的会话相当于prompt，assistant角色的会话相当于模型生成的结果。

注：
1. 上面的样本格式是处理成公式(3)表述的二元组的格式，chosen 和 rejected 都拼接了一样的prompt。
2. 这种样本格式只是一种for对话场景的一种特殊格式。可根据业务场景灵活处理成格式不一样<chosen，rejected> pair。

下面我们来看看对这样的明文的样本数据，如何转成训练数据feed给模型的。

2.2. 数据处理

我们知道最终喂给生成模型的数据是扁平的字符串做tokenizer处理后的token_id序列，那如何从上面的json格式的对话数据，转成扁平的字符串。可能我们自然的会想到用json.dumps()处理成字符串。但json里面有大量的『转义双引号』。对于模型学习，这些格式化分割符都是影响会话连贯的噪声。

为了把chat格式数据转成扁平字符串格式，huggingface在Tokenizer类中提供了一个通用的转换方法，如下方法所示。详见：huggingface chat_templating文档[5]

tokenizer.apply_chat_template(chat, tokenize=False)

通过上面方法操作，会对会话数据加上特殊的token标记来扁平化处理好样本数据。在去掉结构化的同时，保留样本的可读性。以上面图5的样本中的chosen部分为例，处理前后的样本格式，如下图6所示：

图6、chat_templating处理数据过程

从图中我们可以看到，对于结构化的数据，通过增加<|user|> 、<|assistant|> 特殊token来标记会话，将数据扁平化。

注：这里的<|user|> 、<|assistant|>是能根据自己的业务需求定制化开发的，不是固定不变的token，详见官方文档[6]。

源码中数据处理的核心逻辑封装在RewardDataset中，详见：reward_dataset.py[7]。样本数据处理逻辑比较清晰，我们图示化出处理过程，如图7所示。

图7、数据做转置处理

数据处理过程中，将一个的样本除了做chat_templating、token化等处理。还把每条样本的chosen 和 rejected部分拆开，变成两条样本，最终组成了一个长度的样本，并且所有的chosen样本排在前行，所有的rejected样本排在后行。

至此我们理解了Reward Model样本处理的过程。接下来就是模型训练了。我们先看下RewardModel的模型结构。

2.3. Reward 模型结构

模型结构就是生成模型（LLM）之上，加了一个regression head，然后获取每条样本的最后token（eos）位置的打分作为该条样本的整体得分，如图8所示。

图8、Reward 模型结果

还记得我们上面处理样本，如图7所示，前Batch条chosen样本，后Batch条rejected样本，所以模型预估输出打分后，又对前后两半数据做了分片处理，抽取出chosen_rewards和rejected_rewards。如下操作：

# 源码： https://github.com/OpenRLHF/OpenRLHF/blob/main/openrlhf/trainer/rm_trainer.py#L355C5-L355C45
def packed_samples_forward(self, model, ...)
    all_values = model(...)
    ################
    # 参考图7数据处理的过程，就理解下面的操作了~
    ################ 
    half_len = len(packed_seq_lens) // 2
    chosen_rewards = all_values[:half_len]
    rejected_rewards = all_values[half_len:]

接下来我们再看看有个chosen_rewards和rejected_rewards后的loss计算过程。

2.4. Loss 函数

源码中提供了两种loss，分别是PairWiseLoss和LogExpLoss，具体实现如下：

class PairWiseLoss(nn.Module):
    '''
    Pairwise Loss for Reward Model
    '''
    def forward(self, chosen_reward, reject_reward, margin):
        if margin is not None:
            loss = -F.logsigmoid(chosen_reward - reject_reward - margin)
        else:
            loss = -F.logsigmoid(chosen_reward - reject_reward)
        return loss.mean()


classLogExpLoss(nn.Module):
    '''
    Pairwise Loss for Reward Model
    Details: https://arxiv.org/abs/2204.05862
    '''
    def forward(self, chosen_reward, reject_reward, margin):
        loss = torch.log(1 + torch.exp(reject_reward - chosen_reward)).mean()
        return loss

乍一看两个loss完全不一样，但单简推导下，其实是一个东西，如下推导：

我们再看下PairWiseLoss的曲线图，如图9所示。当时loss急剧上升，表示正例样本的得分小于负例样本的得分，产出较大的loss，回传产生较大梯度更新模型。当基本趋近于0，表示正例得分大于负例的得分是合理的，不产生loss。我们也可以看到PairWiseLoss有个良好的属性：自带margin效果。 因为在0附近也会产生一定的loss，来更新模型，拉大正负例的差距。

图9、PairWiseLoss函数曲线图

至此，我们基于OpenRLHF源码，完整描述了Reward Model训练过程。回头看看，其实Reward Model训练就是传统的机器学习PairWise训练过程。搞清楚Reward Model的正负样本数据和格式，无他~

3.总结

本文描述了ORM (Outcome Reward Model)的定义和作用。并基于OpenRLHF源码详细解读了ORM的训练过程。在RM的研发范式中，还有最近比较火热的PRM（Process Reward Model）。

引用链接

[1] paper链接:https://arxiv.org/pdf/2203.02155
[2]姜富春：OpenRLHF源码解读：1.理解PPO单机训练:https://zhuanlan.zhihu.com/p/13043187674
[3]paper地址:https://arxiv.org/pdf/2407.21783
[4]preference_dataset_mixture2_and_safe_pku:https://huggingface.co/datasets/weqweasdas/preference_dataset_mixture2_and_safe_pku
[5]huggingface chat_templating文档:https://huggingface.co/docs/transformers/main/chat_templating
[6]官方文档:https://huggingface.co/docs/transformers/main/chat_templating