Definirea Funcțiilor de Recompensă Bazate pe Reguli (Reward Functions) în Unsloth: Fine-Tuning LLM & Eficiență VRAM

import re

# 1. Recompensă pentru respectarea formatului de gândire ...
def format_reward_func(prompts, completions, **kwargs):
    pattern = r"^.*?\s*.*?$"
    rewards = []
    for completion in completions:
        match = re.search(pattern, completion, re.DOTALL)
        rewards.append(1.0 if match else 0.0)
    return rewards

# 2. Recompensă pentru corectitudinea rezultatului matematic
def correctness_reward_func(prompts, completions, answer, **kwargs):
    rewards = []
    for completion, target in zip(completions, answer):
        # Extrage rezultatul din tagul 
        m = re.search(r"(.*?)", completion)
        ans = m.group(1).strip() if m else ""
        rewards.append(2.0 if ans == str(target).strip() else 0.0)
    return rewards