这里我们尝试通过RM训练让模型学会从给定上下文中提取信息，来进行RM模型的实践。你可以从下面链接获取代码
GitHub - Pillars-Creation/ChatGLM-RLHF-LoRA-RM: ChatGLM-6B添加了RLHF的实现，以及部分核心代码的逐行讲解 ,实例部分是做了个新闻短标题的生成
首先我们看例子，从随机给的50条新闻中提取我们希望的信息。
# 输入候选文章prompt和query
Prompt = "工程师舍身救人 各界纷纷伸出援手 妻子：将更多时间陪伴家人 (新闻)', '男生为恢复妈妈听力，考上了协和博士研究生！这应该是这位妈妈最骄傲的时候 (生活)', '三盘鏖战晋级！小花郑钦文险胜3号种子，首进红土巡回赛决赛 (体育)', '内蒙古锡林浩特降雨引发洪水，人员车辆被困 (新闻)', '海南师范大学回应录取唐尚珺：已录名单中未看到其报考信息 (生活)', '34国联合对华施压，要求加强领海船只识别，防止朝鲜规避制裁 (军事)', '郭峰演唱《让世界充满爱》，歌词耳熟能详，满满的回忆 (音乐)', '这是韩国裁判？韩国组合动作完全不同步，竟然还能拿58.50分 (体育)', '黑海成冲突新焦点，乌船无视俄警告要出海，普京敲打波兰不要冒险 (军事)', '30秒 | 成都大运村“开村” 执行副村长苏波介绍大运村亮点 (新闻)', '继续加油！中国女足世界杯首战失利，终场前丢球遭绝杀 (体育)', '当“社恐”在演唱会上被求婚，女生第一反应不要太搞笑 (生活)', '落夜前瞻预测：小虎帮前队友复仇成功！WBG轻松拿下NIP (游戏)', '这球精彩！费利佩凌空侧钩破门 划出美丽的弧线 (体育)', '公安部：专项行动侦办“网络水军”案件130余起，抓获620余人 (新闻)', '女子清洗空调外机中暑被困4楼外，丈夫营救也被困，消防紧急施救 (新闻)', '19岁男生给旧空调标价1000元，回收师傅多给1000元，男生痛哭跪谢 (新闻)', '美官员：乌克兰或于年底前接收F-16战机 (军事)', '女足门将“飞”起来多可怕：哥斯达黎加门前长城，单场10扑“锁”西班牙 (体育)', '【赛后采访】苏州KSG.啊泽：当时是想把小兵推走，没想到小兵比我还猛 (游戏)', '女子拒绝给弟弟买房，被父母起诉了！！ (新闻)', '美国一客机舱内近44℃，等待起飞期间多人热晕 (新闻)', '小品《特殊劝导》：王小欠撞车却没钱赔，包袱十足笑点一个接一个 (综艺)', '拒绝盲人携带导盲犬入住酒店，甚至拒绝退款，被嫌弃的导盲犬究竟招惹了谁？ (新闻)', '大暑炎炎，体验亲手制作汽水的乐趣｜节节的外拍VLOG (新闻)', '希腊：罗得岛火势难控，20余艘船只协助疏散人员 (新闻)', '别买最贵的！iPad终于不是唯一真神了？安卓平板横评选购推荐 (数码)', '泽连斯基隔空对俄方撂下狠话：克里米亚大桥必须清除 (军事)', '锋芝有望合体？谢霆锋张柏芝都在澳洲，男方暖心带儿子滑雪 (娱乐)', '航拍新疆赛里木湖，蓝宝石湖面非常治愈，满目所及都是夏日清凉 (旅游)', '曝伍德和湖人的讨论正在升温！可能签底薪合同辅佐詹眉 (体育)', '朱婧佳演唱《陪我看日出》，句句醉人心扉，百听不厌 (音乐)', '英国铁路工作人员再次举行大规模罢工 (新闻)', '\\xa0骑着赃车去作案，这个小偷胆贼大 (新闻)', '山东省2023年选派216名“业务院长”下基层 (新闻)', '后续来了！逆行司机下车还讨要说法，西安交警迅速核查处罚 (新闻)', '江南韵、国际范、智能化！感受南大苏州校区的双面魅力 (生活)', '世界上只有一种英雄主义，就是在看清生活真相后，依然热爱生活 (生活)', '中国选了个好时候，普京此行或将决定俄罗斯未来 (新闻)', '练书法、学射箭、看锡剧！在东林书院体验惬意“书式生活” (新闻)', '鳞鲀警惕地守护着自己的领地，当入侵者出现时，筑巢的鳞鲀会及时回击 (纪录片)', '欧盟提出四年内向乌提供200亿欧元军事支持，匈牙利外长：此举意味着延长冲突 (新闻)', '各种馅料的派对酥皮馅饼是怎样制作的？圣诞节上的美味小点心！ (纪录片)', '【视频】守护孩子健康从“口”开始！武汉太平社区开展爱牙护齿小课堂 (新闻)', '埃及媳妇回中国后胖了4斤，直言宁夏美食太诱人，想不胖都难 (旅游)', '巴西：民众拥有及携带枪支数量将受限 (新闻)', '因挪车发生纠纷 酒驾司机弃车逃跑 (新闻)', '关注苏丹武装冲突：谈判前景仍不明朗，民众期盼战争尽快结束 (军事)', '山高水长物象千万！百人王屋山同书《上阳台帖》 (新闻)"
query = "从上面文章中找到旅游相关的新闻"未训练前，大模型更倾向从过去学习的知识中获取答案，比如我们用glm和llama直接从候选文章中选择答案，模型倾向于旧有知识，大概率会给出一些不在候选池中的内容。
所以我们制定目标和lable的时候需要让模型能区分出从prompt里获取答案能获得奖励，不从prompt里获取答案会受到惩罚
2，lable定义
生成的lable数据如图，instruction是我们的输入，包含随机50条新闻。output是模型的lable，包含两个部分一个正例一个负例，比如我们希望查找一条军事新闻，正例是从50条新闻中获取的军事新闻标题，负例是随机给了一条军事新闻标题。
3，loss计算定义
通常我们利用
对应代码如下：
r_accept, r_reject = values[-1].split(batch_size, dim=0) # 将输出值按照 batch_size 进行拆分，得到 r_accept 和 r_reject
loss = -torch.log(torch.sigmoid(r_accept - r_reject)).mean() # 计算损失函数，这里使用二元交叉熵损失函数
outputs = {"r_accept": r_accept, "r_reject": r_reject} # 将 r_accept 和 r_reject 保存到 outputs 中
return (loss, outputs) if return_outputs else loss # 返回损失函数和 outputs，或者只返回损失函数，取决于 return_outputs 的值4，
