奖励模型怎么训练？怎么评估它好不好？

一句话速记：从 SFT 模型初始化，换一个输出标量的头，用偏好对按 Bradley-Terry 损失训练，一般只训 1 个 epoch。评估看留出集上的偏好准确率、RewardBench 等基准，更重要的是看下游 RL 是否真的变好、有没有被 hack（比如分数和长度强相关）。

奖励模型

同章节的其他八股

• 讲一下 RLHF 的完整流程。
• DPO 的原理？和 PPO 相比有什么优缺点？
• GRPO 是什么？相比 PPO 有哪些改动？
• 什么是 Reward Hacking？怎么缓解？
• PPO 里的 KL 惩罚起什么作用？β 怎么选？
• 什么是 Constitutional AI / RLAIF？
• ORM 和 PRM 有什么区别？
• Value-based、Policy-based、Actor-Critic 的区别？
• GAE（广义优势估计）是什么？λ 怎么理解？
• 什么是重要性采样？在 PPO 中起什么作用？
• PPO 中有哪四个模型？各自作用？
• PPO 的损失函数怎么写？clip 的作用是什么？