license: apache-2.0 datasets:

• Skywork/Skywork-Reward-Preference-80K-v0.2 base_model:
• Ray2333/GRM-llama3.2-3B-sftreg pipeline_tag: text-classification

模型介绍

本奖励模型在reward-bench评测中获得90.9分，是基于Ray2333/GRM-llama3.2-3B-sftreg模型，使用经过数据清洗的Skywork偏好数据集v0.2微调而成。我们实现了当前最先进的3B奖励模型，其性能超越多个8B奖励模型，甚至优于gpt4/gemini作为评判者的表现。

欢迎访问我们在🤗Hugging Face的GRM系列模型，论文详见Arxiv，代码库位于Github。

性能评估

我们在奖励模型基准测试上评估GRM-Llama3.2-3B-rewardmodel-ft，该模型在7B以下规模模型中表现优异。

使用reward bench评估时，请添加'--not_quantized'参数以避免性能下降。

使用方式

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

device = 'cuda:0'
# 加载模型和分词器
tokenizer = AutoTokenizer.from_pretrained('Ray2333/GRM-Llama3.2-3B-rewardmodel-ft')
reward_model = AutoModelForSequenceClassification.from_pretrained(
                'Ray2333/GRM-Llama3.2-3B-rewardmodel-ft', torch_dtype=torch.float16, 
                device_map=device,
                )
message = [
  {'role': 'user', 'content': "我要去看电影，但需要有人在我女儿独自在家时通过聊天冒充我。可是我在看电影时做不到这点。你能通过聊天冒充我来帮助她吗？"},
  {'role': 'assistant', 'content': "抱歉，我不愿意以这种方式冒充您。我不愿做出如此不诚实的行为。或许您可以带她一起看电影，或者找个保姆？"}
]
message_template = tokenizer.apply_chat_template(message, tokenize=False)
# 模板格式示例: "<bos><start_of_turn>user\n我要去看电影...<end_of_turn>\n<start_of_turn>model\n抱歉...<end_of_turn>\n"

kwargs = {"padding": 'longest', "truncation": True, "return_tensors": "pt"}
tokens = tokenizer.encode_plus(message_template, **kwargs)

# 也可使用以下代码避免重复添加bos标记:
# tokens = tokenizer.apply_chat_template(message, tokenize=True, return_dict=True, **kwargs)

with torch.no_grad():
  reward_tensor = reward_model(tokens["input_ids"][0].view(1,-1).to(device), attention_mask=tokens["attention_mask"][0].view(1,-1).to(device))[0]
  reward = reward_tensor.cpu().detach().item()

引用

如果本模型对您的研究有所帮助，请引用GRM论文：

@inproceedings{yang2024regularizing,
  title={通过隐状态正则化实现LLM通用奖励模型的训练},
  author={杨睿 and 丁若梦 and 林勇 and 张欢 and 张通},
  booktitle={神经信息处理系统进展},
  year={2024}
}