9 月 13 日消息，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。在奖励模型评估基准 RewardBench 上，这两款模型 分别位列排行榜上的第一和第三位 。
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。
与现有奖励模型不同， Skywork-Reward 的偏序数据仅来自网络公开数据 ，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。
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。
附相关链接如下：