# RLHF報酬モデル

Mistral-7Bをベースに訓練された報酬モデルで、強化学習人間フィードバック(RLHF)シナリオにおける応答品質評価に使用

google/gemma-2b-itを基に訓練された報酬モデルで、テキスト生成品質を評価するために使用されます

プロメテウス2はMistral-Instructベースの言語モデルで、細粒度評価と人間フィードバック強化学習のために設計されており、GPT-4評価の代替案として利用可能です。

Anthropic/hh-rlhf有益データセットでトレーニングされたGPT2大規模モデルで、有益な応答検出またはRLHF（人間のフィードバックに基づく強化学習）専用です。

プロメテウスはLlama-2-Chatをファインチューニングした評価型言語モデルで、カスタム基準に基づくテキスト品質評価に優れ、GPT-4評価の経済的代替案として利用可能です。

LMFlowフレームワークに基づいて訓練された報酬モデルで、HH - RLHFデータセット（有用な部分のみ）を対象とし、open_llama_3bをベースモデルとして訓練され、良好な汎化能力を持っています。

ToxicityModelはRoBERTaをファインチューニングしたモデルで、英語文の毒性レベルを評価します。