Bradley-Terry

把成对比较折成分数的统计模型：A 胜过 B 的概率由两者的分数差决定；奖励模型训练与 SimPO 一家的成对损失都写在这种偏好形式上。

生产方式：AI 生成AI 生成，仅供参考签发：晓黎学习复核：2026年11月1日被 5 个词条引用

人给的是「A 比 B 好」的相对判断，训练需要一个能把 A、B 各自摊成分数的损失。Bradley-Terry 就是这个转换器：假定每个结果背后有一个潜在分数，A 胜 B 的概率由两者分数之差决定。奖励模型的训练与 SimPO 的目标都写在这类成对偏好形式上。

课程在 IPO 一节的位置：「把次序压成分数」这一步是逐点奖励近似；DPO 把它塞进闭式解之后，就没人再单独检查它一次了。

相关

奖励模型（Reward Model） SimPO KTO

互链

链接来自概念卡正文里的双链，编译时能解到本期词条集的才成为站内链接。

反链（5）

出现在哪些课时里（1）

判据与「课时正文里能不能点出来」是同一个：那一节确实提到了它。点课时走当前页跳转， 它是导航，不是词条链接。

关联图

只画这一条与它直接相连的词条，边与上面两区同源。可拖拽、可缩放，点节点是新标签。

以列表方式看这 5 个节点

出处

路径是本地知识库（Obsidian 库）里的位置，正文与概念卡逐字对应。

  • 课程正文用法归纳DPO 一家省掉了哪一步packages/db/prisma/lesson-content/dpo-family-tradeoffs.md
  • 课程正文用法归纳奖励分是一个会撒谎的数字packages/db/prisma/lesson-content/reward-is-a-number-that-lies.md
  • 课程正文用法归纳课程派生词条 · 模型训练与后训练

编译入库：2026年11月2日。词条由知识库编译而来， 修正要回到概念卡改，再重新编译。