BR-RM (Модель вознаграждения за разветвление и переосмысление) — это модель вознаграждения, которая реализует новую двухэтапную структуру рассуждений для оценки ответов, генерируемых LLM. В отличие от традиционных моделей вознаграждения, которые сжимают все измерения качества в один скаляр за один раз, BR-RM выполняет адаптивное ветвление, чтобы сосредоточиться на критически важных измерениях, после чего следует переосмысление с учетом условий ветвления для целевого глубокого анализа. Эта модель обеспечивает высочайшую производительность по среднему баллу по трем основным тестам моделирования вознаграждений (RewardBench, RM-Bench и RMB) за счет решения проблемы «рассеивания суждений», когда модели слишком тонко распределяют внимание по критериям оценки. — 🎯 Адаптивный фокус: динамически выбирает 1–3 критических параметра оценки для каждого экземпляра — 🔄 Двухоборотное рассуждение: первый этап разветвляется, второй этап выполняет глубокий условный анализ — 📊 Производительность SOTA: лучшие результаты на RewardBench (92,1%), RM-Bench (85,9%) и RMB (74,7%) — 🔧 Совместимость с RLHF: разработан для полной интеграции со стандартами Конвейеры RLHF NVIDIA считает, что надежный ИИ — это общая ответственность, и мы разработали политики и методы, позволяющие разрабатывать широкий спектр приложений ИИ. Когда…
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: nvidia
Теги: qwen3, reward_model, nvidia, conversational, en, text-generation-inference, endpoints_compatible
Лайков: 9 | Загрузок: 1,554
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
