RM R1 Qwen2.5 Instruct 14B
模型简介
RM-R1是一个创新的奖励模型框架,通过两阶段训练(蒸馏高质量推理轨迹和使用可验证奖励的强化学习)来提升奖励模型的准确性和可解释性。
模型特点
推理奖励模型
通过生成评分标准或推理轨迹来判断候选答案,提供完全可解释的评价。
两阶段训练
1. 蒸馏约8.7K条高质量推理轨迹;2. 在约64K个偏好对上使用可验证奖励的强化学习(RLVR)。
高性能
在公开奖励模型基准测试中实现高达+13.8%的绝对准确率提升。
模型能力
文本排序
推理轨迹生成
评分标准生成
偏好判断
使用案例
强化学习
RLHF/RLAIF
作为即插即用的奖励函数用于策略优化
自动评估
LLM评判员
用于开放域问答、聊天和推理的自动评估
研究
过程监督研究
研究思维链验证或评分标准生成
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98
智启未来,您的人工智能解决方案智库
简体中文