我在寻找有经验的人来实现（或仅仅是一个高质量的示例）或代码，用于结果奖励模型和PRM，以帮助改善RLHF书中的奖励模型章节。 如果你是这样的人，或者你有相关的指引，请私信我或发邮件给我。