奖励模型的训练方法、答案评价方法和装置

本发明提供一种奖励模型的训练方法、答案评价方法和装置，涉及人工智能技术领域。其中奖励模型的训练方法包括：将原始训练样本和提示文本输入至初始奖励模型，得到初始奖励模型输出的第一推理原理和第一评分；提示文本包括推理原理生成要求文本，推理原理生成要求文本包括推理原理的生成要求信息，推理原理用于指示初始奖励模型在进行评分时需遵循的推理逻辑；基于原始训练样本、第一推理原理和第一评分，微调初始奖励模型，以得到奖励模型；其中，初始奖励模型为预训练的大语言模型。本发明可以提高奖励模型的性能，最终提高基于奖励模型强化的答案生成模型的性能，即提高答案生成模型的生成准确性。