如果训练数据只标注了最优 response（非 pair 形式），Reward Model 的损失函数该如何设计？

Question

Accepted Answer

考察点：考察对单一正样本场景下奖励建模的思路。回答思路：认识到单正样本缺少负反馈，需引入辅助策略 能给出基于正样本排名的损失设计 讨论借助生成模型构造负样本的方法 说明如何保持训练稳定性

考察说明