https://hf-mirror.com/OpenAssistant/reward-model-deberta-v3-large-v2是在做合成数据的质量打分时的奖励模型。
模型依托deberta-v3-large-v2编码模型，给定一个qa对，能够给出一个分数来衡量qa对的质量。没有公开训练细节，由于模型的输出层是一个线性层且没有激活函数，输出的 原始分数（logits） 可以是任何实数，范围从负无穷到正无穷。一般删掉小于0的样本。
模型结构如下：
DebertaV2ForSequenceClassification((deberta): DebertaV2Model((embeddings): DebertaV2Embeddings((word_embeddings): Embedding(128100, 1024, padding_idx=0)(LayerNorm): LayerNorm((1024,), eps=1e-07, elementwise_affine=True)(dropout): StableDropout())(encoder): DebertaV2Encoder((layer): ModuleList((0-23): 24 x DebertaV2Layer((attention): DebertaV2Attention((self): DisentangledSelfAttention((query_proj): Linear(in_features=1024, out_features=1024, bias=True)(key_proj): Linear(in_features=1024, out_features=1024, bias=True)(value_proj): Linear(in_features=1024, out_features=1024, bias=True)(pos_dropout): StableDropout()(dropout): StableDropout())(output): DebertaV2SelfOutput((dense): Linear(in_features=1024, out_features=1024, bias=True)(LayerNorm): LayerNorm((1024,), eps=1e-07, elementwise_affine=True)(dropout): StableDropout()))(intermediate): DebertaV2Intermediate((dense): Linear(in_features=1024, out_features=4096, bias=True)(intermediate_act_fn): GELUActivation())(output): DebertaV2Output((dense): Linear(in_features=4096, out_features=1024, bias=True)(LayerNorm): LayerNorm((1024,), eps=1e-07, elementwise_affine=True)(dropout): StableDropout())))(rel_embeddings): Embedding(512, 1024)(LayerNorm): LayerNorm((1024,), eps=1e-07, elementwise_affine=True)))(pooler): ContextPooler((dense): Linear(in_features=1024, out_features=1024, bias=True)(dropout): StableDropout())(classifier): Linear(in_features=1024, out_features=1, bias=True)(dropout): StableDropout()
)
可以看到是用DebertaV2为嵌入层和编码层（24个），然后加了池化层和分类层。
DebertaV2Model：核心的预训练语言模型部分，包括嵌入层和编码器。Embeddings（嵌入层）。Encoder（编码器）
Pooler（池化层）：用于提取句子的整体表示。
Classifier（分类器）：用于最终的分类任务。
DeBERTa系列模型的优化点
相比于BERT，提出了解耦注意力、RTD、增强的掩码解码器、梯度解耦嵌入共享、多语言。
解耦注意力机制（Disentangled Attention）
DeBERTa引入了解耦注意力机制，将每个输入词的内容和位置分别用两个独立的向量表示。这样，在计算注意力权重时，可以分别考虑内容和相对位置，而不需要同时考虑内容和绝对位置。
增强的掩码解码器（Enhanced Mask Decoder）
在掩码语言建模（MLM）的解码层中添加了上下文词的绝对位置信息，从而改进了MLM的效果。
替换令牌检测（Replaced Token Detection, RTD）
DeBERTaV3采用了ELECTRA中的RTD任务来替代传统的MLM任务。RTD任务使用一个生成器来生成模糊的替换词，并使用一个判别器来区分原始词和替换词。
梯度解耦嵌入共享（Gradient-Disentangled Embedding Sharing, GDES）
多语言
使用CC100多语言数据集进行预训练