昆仑万维发布全新大模型奖励模型Skywork-Reward，登顶RewardBench

近日，昆仑万维发布了两款全新的奖励模型Skywork-Reward-Gemma-2-27B和Skywork-Reward-Llama-3.1-8B。在权威奖励模型评估基准 RewardBench 上，这两款模型表现卓越，分别位列 RewardBench 排行榜上的第一和第三位。特别是 Skywork-Reward-Gemma-2-27B 荣登榜首，赢得了 RewardBench 官方的高度认可和点赞转发。

奖励模型（Reward Model）是强化学习（Reinforcement Learning）中的核心概念和关键组成，它用于评估智能体在不同状态下的表现，并为智能体提供奖励信号以指导其学习过程，让智能体能够学习到在特定环境下如何做出最优选择。奖励模型在大语言模型（Large Language Model，LLM）的训练中尤为重要，可以帮助模型更好地理解和生成符合人类偏好的内容。

RewardBench 是专用于评估大语言模型中奖励模型有效性而设计的基准测试榜单。它通过多项任务对奖励模型的表现进行综合评估，涵盖了对话、推理和安全性等领域。RewardBench 的基准测试数据集由提示词、被选响应和被拒绝响应组成的三元组构成，旨在测试奖励模型是否能在给定提示词的情况下，将被选响应排在被拒绝响应之前。

这意味着，想要在RewardBench基准测试中脱颖而出，奖励模型不仅需在对话、安全性和推理所有领域上表现出色，还必须在具有挑战性的对抗性案例中展现稳健的应对能力，证明其具备全面的理解能力并能准确识别细微偏好差异。

此前，最先进的奖励模型是由 NVIDIA 开发的 Nemotron-4-340B-Reward，该模型基于 HelpSteer2 偏好数据集上进行训练，该数据集包括大约 10,000 个人工标注的样本。然而，由于其模型规模庞大，使用成本较高。

Skywork-Reward 通过从公开数据中精心挑选小而精的偏序数据集，并使用相对较小的基座模型，来开发最先进的奖励模型。与现有奖励模型不同，Skywork-Reward 的偏序数据仅来自于网络公开数据，采用特定的筛选策略，以获得针对特定能力和知识领域的高质量的偏好数据集。

这些偏好数据包括由人类标注和合成生成的（问题、被选回答、被拒回答），涵盖了广泛的主题，例如来自 WildGuard 的安全性和来自 Magpie 的数学与代码。数据源包括：HelpSteer2（7K）、OffsetBias（8K）、WildGuard（对抗性）（9K），以及 Magpie DPO 系列：Ultra、Pro（Llama-3.1）、Pro、Air（350K）。

为了进一步优化数据集，昆仑万维团队利用数据集的统计信息来进行筛选，在不牺牲整体性能的情况下，实现RewardBench各领域之间的性能平衡提升：

最终，Skywork-Reward 偏序训练数据集包含约 80,000 个样本，通过在这些样本上微调 Gemma-2-27B-it 和 Llama-3.1-8B-Instruct 基座模型，获得最终的 Skywork-Reward 奖励模型。

在测试过程中，昆仑万维奖励模型在对话、安全性等领域表现出色，例如在对话、安全、代码推理、数据推理等方向的困难样本中，只有 Skywork-Reward-Gemma-2-27B 模型给出了正确的预测（对比模型包括：ArmoRM 和 InternLM2-20B-Reward）。

示例二丨Skywork-Reward-Gemma-2-27B 模型在数据推理领域上的表现优异

更多关于昆仑万维推出的两款全新奖励模型，可查看：