一图秒懂大模型：如何训练一个奖励模型，零基础入门大模型，收藏这篇就足够了

关注

原创最新推荐文章于 2026-06-08 19:05:33 发布 1.3k 阅读 AI 写同款· GEO 优化 ›

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

在大语言模型（LLM）训练中，奖励模型（Reward Model, RM）是实现人类反馈强化学习（RLHF）核心组件之一。本文结合两幅图，详细介绍奖励模型的结构、训练过程及其作用机制。

一、奖励模型的结构拆解

如图所示，展示了奖励模型的结构构建流程：

1. 从语言模型（SFT模型）复制主干网络

左图部分为一个经过监督微调（SFT）的语言模型，它已具备生成合理文本的能力，它由多层 Decoder 组成，经过前馈网络，最终输出Logits。

前馈网络内容详解：谁都能听懂的Transformer架构-前馈神经网络（FFN）

2. 构建奖励模型（右侧）

奖励模型的主干网络与SFT模型保持一致，直接复制其 Decoder 层。

不同之处在于 LM Head（语言建模头）被替换成 Reward Head：

- 原LM Head为 Linear(hidden_size → vocab_size)，用于输出词表大小的 logits；
- 奖励模型中的 Reward Head 为 Linear(hidden_size → out_dim = 1)，即输出一个标量，用于表示整句话的好坏（奖励得分）。

二、奖励模型的训练流程

图2，展示了奖励模型在具体训练中的应用流程，以下是关键步骤：

1. 构造训练数据：Prompt + 多个回答

给定一个用户输入（Prompt），如“虎皮青椒用什么做？。

收集多个模型生成的回答（a₀ 到 a₅），这些回答风格、准确度、逻辑性可能有所差异。

2. 人类反馈打分

每个回答都由人工或策略生成一个奖励得分（r₀ ~ r₅）。

可以是绝对分数，也可以是相对排序。

3. 输入模型，输出奖励值

每个Prompt + 回答被喂入奖励模型。

奖励模型输出一个标量分数，用于回归/分类学习。

如图所示，每个回答产生一个对应的奖励分数，如 r₀=9.2、r₅=11 等。

4. 损失函数训练

通常使用 Pairwise Loss（一种损失函数）：

如果 rA≫rB 即好回答得分远高于差回答，loss 趋近于 0（模型判断正确，损失很小）

如果 rA≤rB loss 趋近于最大值（模型判断错误，被惩罚）

Pairwise Loss一种常用于训练排序模型或奖励模型的损失函数，表示鼓励模型输出更高的分数给更优的回答。若使用标注的绝对分数，也可用 MSE 或 MAE 等回归损失

import torchimport torch.nn.functional as F
def pairwise_loss(r_chosen, r_rejected):    return -F.logsigmoid(r_chosen - r_rejected).mean()

三、奖励模型的作用

训练好的奖励模型有两个核心用途：

排序生成结果

多个候选回答中，选择得分最高的作为最终输出。

用于RLHF中的强化学习阶段

奖励模型作为环境，评价策略模型输出的优劣。
PPO、DPO等算法用其生成奖励信号，反向更新策略模型权重。

四、代码展示

#RewardModelimport torchimport torch.nn as nn
class RewardModel(nn.Module):    def __init__(self, base_model, hidden_size):        super(RewardModel, self).__init__()        self.base_model = base_model  # 可以是一个已经微调过的Transformer模型（如GPT、LLaMA等）        self.reward_head = nn.Linear(hidden_size, 1)  # 输出一个标量奖励值
    def forward(self, input_ids, attention_mask):        # 获取 hidden states（通常取最后一层）        outputs = self.base_model(input_ids=input_ids, attention_mask=attention_mask, output_hidden_states=True)        hidden_states = outputs.hidden_states[-1]  # (batch_size, seq_len, hidden_size)
        # 取 <EOS> 前的 token 的 hidden state 作为 summary        rewards = []        for i in range(input_ids.shape[0]):            seq_len = attention_mask[i].sum() - 1  # 找到最后一个非PAD token            final_hidden = hidden_states[i, seq_len, :]  # (hidden_size,)            reward = self.reward_head(final_hidden)  # (1,)            rewards.append(reward)
        return torch.stack(rewards).squeeze(-1)  # (batch_size,)

#Pairwise Loss 函数import torch.nn.functional as F
def pairwise_loss(r_chosen, r_rejected):    # r_chosen: 模型认为更好的回答的 reward    # r_rejected: 模型认为更差的回答的 reward    return -F.logsigmoid(r_chosen - r_rejected).mean()

#训练举例# 模拟训练过程reward_model = RewardModel(base_model=your_pretrained_model, hidden_size=hidden_size)optimizer = torch.optim.Adam(reward_model.parameters(), lr=1e-5)
for batch in dataloader:    chosen_input_ids = batch["chosen_input_ids"]    rejected_input_ids = batch["rejected_input_ids"]    chosen_mask = batch["chosen_attention_mask"]    rejected_mask = batch["rejected_attention_mask"]
    # 正向传播得到两个回答的 reward 分数    r_chosen = reward_model(chosen_input_ids, chosen_mask)     # (batch_size,)    r_rejected = reward_model(rejected_input_ids, rejected_mask) # (batch_size,)
    # 计算 pairwise loss    loss = pairwise_loss(r_chosen, r_rejected)
    # 反向传播与优化    optimizer.zero_grad()    loss.backward()    optimizer.step()