RM-R1 是一个用于推理奖励模型（ReasRM）的训练框架，通过生成评分标准或推理轨迹来评估候选答案，提供可解释的评价。

RM-R1是一个用于推理奖励模型（ReasRM）的训练框架，通过生成评分标准或推理轨迹来评估候选答案，相比传统奖励模型在准确率和可解释性上有显著提升。

RM-R1是一个用于推理奖励模型（ReasRM）的训练框架，通过生成评分标准或推理轨迹来判断候选答案，提供可解释的评价。

RM-R1是一个通过推理轨迹生成进行奖励建模的框架，相比传统方法在准确率和可解释性上有显著提升

基于OffsetBias数据集训练的奖励模型，针对评估模型中的偏差具有更强鲁棒性

基于Gemma-2-9B架构的奖励模型，采用RLHF工作流训练，适用于对话和推理任务。

基于LLaMA-3-8B的监督微调模型，由Salesforce开发，用于强化学习人类反馈（RLHF）工作流程中的监督微调阶段。

由约翰斯诺实验室开发的70亿参数医学大语言模型，专为生物医学领域优化

基于NorGPT-3B模型，采用RLHF策略在挪威语新闻摘要数据集上微调的文本摘要模型

AmberSafe是基于LLM360/AmberChat进行安全微调的指令模型，属于LLM360的Pebble系列，专注于提供安全的文本生成能力。

首个基于AI反馈强化学习(RLAIF)训练的开源大语言模型，在MT Bench测试中表现优异

Xwin-LM是基于Llama2开发的大语言模型对齐技术，在AlpacaEval基准测试中表现优异

Xwin-LM是基于Llama2的强大语言模型，专注于大语言模型对齐技术，在AlpacaEval基准测试中表现优异。

Xwin-LM是基于Llama2的大语言模型对齐方案，专注于提升模型的对齐能力，包括监督微调、奖励模型等技术。

基于GPT2-open-instruct在Anthropic/hh-rlhf数据集上微调的对话模型，擅长响应对话场景中的提示

该奖励模型经过训练，能够预测在给定问题下，人类会认为哪个生成的答案更好。