通俗解释
用 Bradley-Terry 模型把成对偏好转成损失：被偏好回答的分数应高于另一条。它是 RLHF 的核心，也会被“奖励黑客”钻空子。
用在哪里：RLHF 流水线、最佳-N 采样
01原始论文
Deep reinforcement learning from human preferences
Paul Christiano, Jan Leike, Tom B. Brown, et al. · 2017
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：后训练与推理模型
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
reward-model)