大模型手撕 · 简单 · RLHF、损失函数
RLHF 中的奖励模型用 Bradley-Terry 模型训练：给定同一 prompt 下人类偏好的回答得分 rchosen 和较差回答得分 rrejected（形状均为 (N,)），损失为
在 RagCodes 上用 Python / C++ / Java 在线编写并提交，核心代码模式与 ACM 模式均可评测。