买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京衔远有限公司;上海飞朗天思科技有限公司申请的专利强化学习模型训练方法、装置、电子设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120633761B 。

龙图腾网通过国家知识产权局官网在2025-10-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511134687.2，技术领域涉及：G06N3/092；该发明授权强化学习模型训练方法、装置、电子设备及存储介质是由谢树雷;曾子胤设计研发完成，并于2025-08-14向国家知识产权局提交的专利申请。

本强化学习模型训练方法、装置、电子设备及存储介质在说明书摘要公布了：本申请涉及人工智能技术领域，提供了一种强化学习模型训练方法、装置、电子设备及存储介质。该方法通过首先获取N个样本数据，该样本数据包括问题、候选回答、评审组对候选回答的评价和评审组标识，然后基于N个样本数据生成每个评审组的偏好上下文向量，至少基于该偏好上下文向量构建强化学习预训练模型的奖励模型，再基于奖励模型构建至少包括组间对齐损失项的损失函数，以使损失函数能够表征不同评审组对相同样本数据的评价差异，最后使用构建的损失函数训练该强化学习预训练模型，得到训练后的强化学习模型，能够有效解决因奖励模型组间差异导致的奖励学习偏差，提高强化学习模型训练的稳定性。

本发明授权强化学习模型训练方法、装置、电子设备及存储介质在权利要求书中公布了：1.一种强化学习模型训练方法，其特征在于，包括： 获取N个样本数据，每个样本数据至少包括问题、强化学习预训练模型对所述问题的候选回答、目标评审组对各候选回答的评价和目标评审组标识；所述目标评审组为M个评审组中的任一评审组，M和N均为正整数； 基于所述N个样本数据，生成每个评审组的偏好上下文向量； 至少基于各评审组的偏好上下文向量构建所述强化学习预训练模型的奖励模型； 基于所述奖励模型构建损失函数，所述损失函数至少包括组间对齐损失项，所述组间对齐损失项用于表征不同评审组对相同样本数据的评价差异； 基于所述损失函数训练所述强化学习预训练模型，得到训练后的强化学习模型； 所述奖励模型采用如下方式构建：获取目标样本数据中的候选回答，以及目标样本数据的上下文表示；所述目标样本数据为任意一个样本数据；将所述候选回答与上下文表示进行文本拼接，并得到拼接后的文本的token编码；将所述拼接后的文本的token编码与所述目标样本数据对应的评审组的偏好上下文向量进行特征拼接，得到拼接特征；以所述拼接特征为预设网络预测函数的自变量，得到目标样本数据的奖励模型； 所述目标样本数据的上下文表示采用如下方式确定：获取所述目标样本数据之前t轮次的评价窗口，所述评价窗口包括各轮次的问题、强化学习预训练模型对所述问题的候选回答和目标评审组对各候选回答的评价；将所述t轮次的评价窗口中的全部项进行文本拼接，得到所述目标样本数据的上下文表示。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京衔远有限公司;上海飞朗天思科技有限公司，其通讯地址为：100080 北京市海淀区学院路51号首享科技大厦第三层306室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。