在大语言模型（LLM）训练中，奖励模型（Reward Model, RM）是实现人类反馈强化学习（RLHF）核心组件之一。本文结合两幅图，详细介绍奖励模型的结构、训练过程及其作用机制。

一、奖励模型的结构拆解

---

如图所示，展示了奖励模型的结构构建流程：

1. 从语言模型（SFT模型）复制主干网络

左图部分为一个经过监督微调（SFT）的语言模型，它已具备生成合理文本的能力，它由多层 Decoder 组成，经过前馈网络，最终输出Logits。

2. 构建奖励模型（右侧）

奖励模型的主干网络与SFT模型保持一致，直接复制其 Decoder 层。

不同之处在于 LM Head（语言建模头）被替换成 Reward Head：

• 原LM Head为 Linear(hidden_size → vocab_size)，用于输出词表大小的 logits；
• 奖励模型中的 Reward Head 为 Linear(hidden_size → out_dim = 1)，即输出一个标量，用于表示整句话的好坏（奖励得分）。

二、奖励模型的训练流程

---

图2，展示了奖励模型在具体训练中的应用流程，以下是关键步骤：

1. 构造训练数据：Prompt + 多个回答

给定一个用户输入（Prompt），如“虎皮青椒用什么做？。

收集多个模型生成的回答（a₀ 到 a₅），这些回答风格、准确度、逻辑性可能有所差异。

2. 人类反馈打分

每个回答都由人工或策略生成一个奖励得分（r₀ ~ r₅）。

可以是绝对分数，也可以是相对排序。

3. 输入模型，输出奖励值

每个Prompt + 回答被喂入奖励模型。

奖励模型输出一个标量分数，用于回归/分类学习。

如图所示，每个回答产生一个对应的奖励分数，如 r₀=9.2、r₅=11 等。

4. 损失函数训练

通常使用 Pairwise Loss（一种损失函数）：

如果 rA≫rB 即好回答得分远高于差回答，loss 趋近于 0（模型判断正确，损失很小）

如果 rA≤rB loss 趋近于最大值（模型判断错误，被惩罚）

Pairwise Loss一种常用于训练排序模型或奖励模型的损失函数，表示鼓励模型输出更高的分数给更优的回答。若使用标注的绝对分数，也可用 MSE 或 MAE 等回归损失

import torchimport torch.nn.functional as F
def pairwise_loss(r_chosen, r_rejected):    return -F.logsigmoid(r_chosen - r_rejected).mean()

三、奖励模型的作用

---

训练好的奖励模型有两个核心用途：

排序生成结果

• 多个候选回答中，选择得分最高的作为最终输出。

用于RLHF中的强化学习阶段

• 奖励模型作为环境，评价策略模型输出的优劣。
• PPO、DPO等算法用其生成奖励信号，反向更新策略模型权重。

四、代码展示

---

#RewardModelimport torchimport torch.nn as nn
class RewardModel(nn.Module):    def __init__(self, base_model, hidden_size):        super(RewardModel, self).__init__()        self.base_model = base_model  # 可以是一个已经微调过的Transformer模型（如GPT、LLaMA等）        self.reward_head = nn.Linear(hidden_size, 1)  # 输出一个标量奖励值
    def forward(self, input_ids, attention_mask):        # 获取 hidden states（通常取最后一层）        outputs = self.base_model(input_ids=input_ids, attention_mask=attention_mask, output_hidden_states=True)        hidden_states = outputs.hidden_states[-1]  # (batch_size, seq_len, hidden_size)
        # 取 <EOS> 前的 token 的 hidden state 作为 summary        rewards = []        for i in range(input_ids.shape[0]):            seq_len = attention_mask[i].sum() - 1  # 找到最后一个非PAD token            final_hidden = hidden_states[i, seq_len, :]  # (hidden_size,)            reward = self.reward_head(final_hidden)  # (1,)            rewards.append(reward)
        return torch.stack(rewards).squeeze(-1)  # (batch_size,)

#Pairwise Loss 函数import torch.nn.functional as F
def pairwise_loss(r_chosen, r_rejected):    # r_chosen: 模型认为更好的回答的 reward    # r_rejected: 模型认为更差的回答的 reward    return -F.logsigmoid(r_chosen - r_rejected).mean()

#训练举例# 模拟训练过程reward_model = RewardModel(base_model=your_pretrained_model, hidden_size=hidden_size)optimizer = torch.optim.Adam(reward_model.parameters(), lr=1e-5)
for batch in dataloader:    chosen_input_ids = batch["chosen_input_ids"]    rejected_input_ids = batch["rejected_input_ids"]    chosen_mask = batch["chosen_attention_mask"]    rejected_mask = batch["rejected_attention_mask"]
    # 正向传播得到两个回答的 reward 分数    r_chosen = reward_model(chosen_input_ids, chosen_mask)     # (batch_size,)    r_rejected = reward_model(rejected_input_ids, rejected_mask) # (batch_size,)
    # 计算 pairwise loss    loss = pairwise_loss(r_chosen, r_rejected)
    # 反向传播与优化    optimizer.zero_grad()    loss.backward()    optimizer.step()

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】