一图秒懂大模型：如何训练一个奖励模型

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。

前馈网络内容详解：谁都能听懂的Transformer架构-前馈神经网络（FFN）

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 torch

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​​​​​​​

#RewardModel

#Pairwise Loss 函数

#训练举例

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！