#Reward model

本项目详细介绍了如何通过在线迭代性的人类反馈强化学习（RLHF）来对齐大规模语言模型（LLMs）。提供了详细的工作流程和易于复现的步骤，使用开源数据即可实现与LLaMA3-8B-instruct相当或更好的效果。内容包括模型发布、安装说明、数据生成、数据注释和训练步骤，帮助实现高效的在线RLHF训练。