library_name: transformers base_model: google/gemma-2-27b-it datasets:

• Skywork/Skywork-Reward-Preference-80K-v0.2 pipeline_tag: text-classification

🤗 Hugging Face • 🤖 ModelScope

天工奖励模型系列

重要提示： 本模型使用原始天工奖励偏好数据集的去污染版本（现称为v0.2）进行训练。更新后的数据集Skywork-Reward-Preference-80K-v0.2从magpie-ultra-v0.1子集中移除了4,957个受污染的样本对，这些样本与RewardBench评估提示存在显著n-gram重叠。被移除的样本对集合可在此查看。更多详细信息请参阅GitHub要点说明。

如果您的任务涉及在RewardBench上进行评估，我们强烈建议使用v0.2版本的数据集和模型而非v0.1，以确保彻底去污染并避免任何数据污染问题。

模型介绍

Skywork-Reward-Gemma-2-27B-v0.2和Skywork-Reward-Llama-3.1-8B-v0.2是基于gemma-2-27b-it和Llama-3.1-8B-Instruct架构构建的两款先进奖励模型。这两个模型均使用仅包含8万对高质量偏好样本的天工奖励数据集合训练而成，所有数据均来自公开来源。

我们仅采用公开数据，旨在证明通过相对小规模数据集和直接的数据筛选技术（无需额外的算法或架构修改）即可实现高性能奖励模型。天工奖励数据集合的具体数据来源详见下文数据构成章节。

最终得到的奖励模型擅长处理复杂场景下的偏好判断，包括具有挑战性的偏好对，并覆盖数学、编程、安全等多个领域。

数据构成

我们精心筛选天工奖励数据集合，(1)确保包含高质量偏好对，(2)针对特定能力和知识领域。训练数据集包含约8万样本，从多个公开数据源中筛选而来，包括：

1. HelpSteer2
2. OffsetBias
3. WildGuard（对抗性）
4. Magpie DPO系列：Ultra、Pro（Llama-3.1）、Pro、Air

声明：除通过子采样创建天工奖励数据集合外，我们未对上述原始数据集进行任何修改。

在数据集筛选过程中，我们采用多项技巧以在保持整体性能的同时实现性能提升和各领域平衡：

1. 基于数据集提供的ArmoRM平均分数，我们分别从合并后的Magpie数据集中独立筛选数学、编程等类别的优质样本。我们将Magpie-Air和Magpie-Pro子集的ArmoRM平均分数分别减去0.1和0.05，以优先选择Magpie-Ultra和Magpie-Pro-Llama-3.1样本。
2. 对于WildGuard数据集，我们首先基于其他三个数据源训练奖励模型（RM），然后(1)使用该RM对WildGuard所有样本的选择和被拒回答进行评分，(2)仅保留选择回答RM分数高于被拒回答的样本。我们发现该方法在保持Chat、Chat hard和Reasoning原始性能的同时显著提升Safety表现。两个模型均使用27B模型对WildGuard样本进行评分。

RewardBench排行榜

我们使用官方测试脚本在RewardBench上评估模型。截至2024年10月，Skywork-Reward-Gemma-2-27B-v0.2位列RewardBench排行榜首位。

演示代码

以下是天工奖励模型系列的使用示例。请注意：

1. 为使27B奖励模型达到最佳性能，请确保启用flash_attention_2或eager实现。默认的spda实现可能导致错误，显著降低该特定模型的性能。

以下示例展示如何获取两个对话的奖励分数。

import torch

from transformers import AutoModelForSequenceClassification, AutoTokenizer

# 加载模型和分词器
device = "cuda:0"
model_name = "Skywork/Skywork-Reward-Gemma-2-27B-v0.2"
rm = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map=device,
    attn_implementation="flash_attention_2",
    num_labels=1,
)
rm_tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "简有12个苹果。她给朋友马克4个苹果，然后又买了1个苹果，最后将所有苹果平均分给自己和2个兄弟姐妹。每人得到几个苹果？"
response1 = "1. 简最初有12个苹果，给马克4个。12 - 4 = 8。简现在有8个苹果。\n2. 简又买了1个苹果。8 + 1 = 9。简现在有9个苹果。\n3. 简将9个苹果平均分给自己和2个兄弟姐妹（共3人）。9 ÷ 3 = 3。每人得到3个苹果。"
response2 = "1. 简最初有12个苹果，给马克4个。12 - 4 = 8。简现在有8个苹果。\n2. 简又买了1个苹果。8 + 1 = 9。简现在有9个苹果。\n3. 简将9个苹果平均分给2个兄弟姐妹（共2人）。9 ÷ 2 = 4.5。每人得到4.5个苹果。"

conv1 = [{"role": "user", "content": prompt}, {"role": "assistant", "content": response1}]
conv2 = [{"role": "user", "content": prompt}, {"role": "assistant", "content": response2}]

# 格式化并分词对话
# 若使用`tokenize=False`配合`apply_chat_template`和`tokenizer()`分词对话，
# 请记得移除重复的BOS标记。
conv1_tokenized = rm_tokenizer.apply_chat_template(conv1, tokenize=True, return_tensors="pt").to(device)
conv2_tokenized = rm_tokenizer.apply_chat_template(conv2, tokenize=True, return_tensors="pt").to(device)

# 获取奖励分数
with torch.no_grad():
    score1 = rm(conv1_tokenized).logits[0][0].item()
    score2 = rm(conv2_tokenized).logits[0][0].item()
print(f"回答1的分数：{score1}")
print(f"回答2的分数：{score2}")

# 输出：
# 27B模型：
# 回答1的分数：0.5625
# 回答2的分数：-8.5

# 8B模型：
# 回答1的分数：13.6875
# 回答2的分数：-9.1875

声明与许可协议

声明

我们在此声明，天工模型不得用于任何危害国家安全、社会安全或从事违法活动的行为。同时，我们要求用户未经适当安全审查和备案，不得将天工模型部署于互联网服务。我们希望所有用户遵守这一原则，确保技术进步在规范合法的环境中进行。

我们已尽最大努力确保模型训练过程中所用数据的合规性。然而，由于模型和数据的复杂性，仍可能存在不可预见的风险和问题。因此，若因使用天工开源模型产生任何问题（包括但不限于数据安全问题、舆论风险，或因模型被误导、滥用、传播或不当使用而产生的任何风险和问题），我们将不承担任何责任。

许可协议

天工模型的社区使用需遵守天工社区许可协议。天工模型支持商业用途。若计划将天工模型或其衍生作品用于商业目的，必须遵守天工社区许可协议中的条款和条件。

技术报告

天工奖励：大语言模型奖励建模技巧集

联系方式

如有任何疑问，请联系yuhao.liuu@kunlun-inc.com或liang.zeng@kunlun-inc.com。

引用

若您认为我们的工作有帮助，请通过以下BibTeX条目引用：

@article{liu2024skywork,
  title={天工奖励：大语言模型奖励建模技巧集},
  author={刘宇豪 and 曾亮 and 刘家才 and 严睿 and 何炬杰 and 王超杰 and 严水成 and 刘洋 and 周亚辉},
  journal={arXiv预印本 arXiv:2410.18451},
  year={2024}
}