基于deberta-v3-large-tasksource-nli在Anthropic/hh-rlhf上微调的奖励模型

使用1e-5的学习率训练1个epoch。

数据在论文中有描述：Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback。

目前验证准确率是公开报道中最佳的：75.16%（相比之下，OpenAssistant/reward-model-deberta-v3-large-v2为69.25%）。