DRM — модель вознаграждения на базе Llama 3, которая оценивает ответы языковых моделей по предпочтениям и нескольким атрибутам, моделируя распределение оценок.

Подходит для: ранжирование нескольких ответов языковой модели · оценка предпочтительности ответа для RLHF · получение многокритериальных оценок ответа