Reward-модель Llama 3.1 оценивает полезность текстовых ответов для ранжирования и экспериментов RLHF.
Подходит для: оценка полезности ответа языковой модели · сравнение двух вариантов ответа для RLHF · ранжирование ответов по предпочтению пользователя