RewardAnything: Обобщаемые модели вознаграждения, следующие принципам Чжуохао Юй1,§ Цзяли Цзэн2 Вэйчжэн Гу1 Идун Ван1 Цзиньдун Ван3 Фаньдун Мэн2 Цзе Чжоу2 Юэ Чжан4 Шикунь Чжан1 Вэй Е1,† 1Пекинский университет 2WeChat AI 3Уильям и Мэри 4Университет Вестлейка §Работа, выполненная во время стажировки Чжуохао в Центре распознавания образов, WeChat AI, Tencent Inc; †Соответствующий автор. Традиционные модели вознаграждения изучают неявные предпочтения на основе фиксированных наборов данных, что приводит к статическим суждениям, которые не учитывают нюансированную и многогранную природу человеческих ценностей. Мы считаем, что подобно тому, как модели на большом языке следуют различным инструкциям, модели вознаграждения должны понимать и следовать четко указанным принципам. RewardAnything воплощает эту новую парадигму. Наши модели предназначены для интерпретации принципов естественного языка во время вывода, что обеспечивает динамическую адаптацию к широкому спектру критериев оценки без дорогостоящего переобучения. Этот подход переходит от подбора единого распределения предпочтений к достижению истинного обобщения, следующего принципам. — 🧠 Следование принципам: непосредственно интерпретирует и применяет вознаграждение…
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: WisdomShell
Теги: qwen3, reward-model, rlhf, principle-following, qwen, conversational, en, zh
Лайков: 22 | Загрузок: 107
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.