HER представляет двухуровневое мышление, которое отличает мышление персонажей от первого лица от мышления третьего лица LLM для моделирования личности на когнитивном уровне. HER-RM — это генеративная модель вознаграждения (GenRM), специально разработанная для оценки ответов в ролевых играх. В отличие от традиционных моделей вознаграждения, которые выводят единую скалярную оценку, HER-RM генерирует принципы оценки для каждого случая на основе контекста диалога и предоставляет подробный сравнительный анализ. — 🎯 Контекстно-зависимая оценка: динамически генерирует принципы оценки на основе контекста диалога — 📝 Детальный анализ: обеспечивает сравнение принципов с рассуждениями — 🔄 Парное сравнение: сравнивает ответы двух кандидатов и определяет победителя — 📊 107 сформулированных принципов: обучение принципам, охватывающим 12 измерений оценки HER-RM идентифицирует неявные человеческие предпочтения из контекста диалога и генерирует индивидуальные принципы для определения собственной оценки. Этот подход позволяет проводить более детальную оценку по сравнению с фиксированными рубриками. 1. Контекст диалога: история разговора 2. Кандидат на ответ 1: первый ответ для оценки 3. Кандидат на ответ 2: второй ответ для оценки HER-RM оценивает ответы по 12…
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: ChengyuDu0123
Теги: qwen3, roleplay, reward-model, generative-rm, qwen, preference, conversational, zh
Лайков: 8 | Загрузок: 9
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
