这是一个基于Gemma-2-9B架构的Vanilla BT奖励模型，其训练方案源自RLHF工作流。

奖励基准测试结果如下：

• 对话能力：98.04
• 高难度对话：65.35
• 安全性：89.54
• 推理能力：92.31

相关文献引用：

@misc{dong2024rlhf,
      title={RLHF工作流：从奖励建模到在线强化学习人类反馈}, 
      author={韩泽东、熊伟、庞博、王浩翔、赵晗、周英博、江南、Doyen Sahoo、熊才明、张彤},
      year={2024},
      eprint={2405.07863},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}