待验证50% 置信事实精确时间
奖励建模阶段通常基于成对比较数据，采用Bradley-Terry模型将人类偏好转化为概率形式。
1
来源数
50%
置信度
长期有效
时效性
2026/11/3
首次发现
来源
涉及实体
相关事实
已验证奖励模型的训练可使用Bradley-Terry模型等排序学习框架，训练神经网络预测任意两个回答之间的人类偏好概率，接收(prompt, response)对并输出标量分数80% 相似待验证Bradley-Terry模型是统计学中处理成对比较数据的经典概率模型，假设每个参与者有一个潜在实力参数，获胜概率由双方参数比值决定79% 相似待验证隐式奖励边界幅度是指在偏好优化模型（如Bradley-Terry模型）中，对于一对回复，模型隐含分配的奖励分数之差，即|r(A)-r(B)|。75% 相似待验证DPO利用策略模型与参考模型的对数概率差作为隐式奖励，使模型在保持与参考模型接近的同时提高对更优回答的生成概率。73% 相似待验证在扩散模型采样过程中进行奖励引导，通常通过计算奖励函数对当前样本的梯度并按权重叠加到去噪更新中实现，类似于分类器引导或无分类器引导，但引导信号来自外部奖励模型。71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1131593API
curl https://kongchang.com/api/v1/knowledge/claims/1131593MCP
get_claim(id=1131593)