基于奖励模型的对话模型训练方法、装置、设备及介质

本发明涉及自然语言处理技术领域，公开了一种基于奖励模型的对话模型训练方法、装置、设备及介质，方法包括：利用奖励训练数据对基础模型进行优化迭代得到对话模型；对一个奖励训练数据：将对话提示和背景指令输入基础模型，通过基础模型生成思维链下的多个递进式输出结果；利用校验奖励模型对多个递进式输出结果打分得到多个第一打分结果，并筛选打分最高的第一优势打分结果；利用生成奖励模型分别对多个递进式输出结果打分得到多个第二打分结果；根据多个第一打分结果、第一优势打分结果和多个第二打分结果优化基础模型。对话模型能够倾向于准确生成更合规更专业、且更多样更创新的递进式回复。