在人工智能的大语言模型（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。

下面我来结合两幅图拆解奖励模型的原理和应用方法。

一、奖励模型的结构拆解

如图1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                    Fdef 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。
   

未来方向

奖励模型并非完美。一个著名的难题是“奖励黑客”(Reward Hacking)。

Al模型可能会发现奖励评分系统的漏洞并加以利用，而不是真正提升内容质量。例如，如果模型发现“长回答“容易得高分，它可能会生成冗长但空洞的废话来“骗取”奖励。

未来的奖励模型可能会向多模态(结合图像、视频等）发展，并探索通过自监督学习减少对昂贵人工标注数据的依赖。

同时，如何设计更公平、透明且可解释的奖励机制，也是重要的研究方向。