/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-0.5B
Опубликована
8 окт 2026

nimbus-dpo-0.5b

Генерация текстаТекст → текст

Компактная диалоговая модель Qwen2.5, дообученная для ответов на типовые вопросы клиентов вымышленной кофейной компании Nimbus Coffee.

280скачиваний за 30 дней0лайковвеса обновлены8 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Nimbus DPO 0.5B — языковая модель для генерации ответов в формате диалога, созданная в рамках учебного проекта Nimbus. Это дообученная методом supervised fine-tuning и затем DPO модель Qwen2.5-0.5B с архитектурой Qwen2ForCausalLM и 494 млн параметров. Она обучена на синтетических вопросах и ответах о вымышленной кофейной компании Nimbus Coffee и предназначена для ответов на типовые обращения клиентов, например о доставке.

Контекст модели составляет 32 768 токенов. В сравнении на 200 отложенных вопросах DPO дал небольшое улучшение оценки ответов по сравнению с исходной SFT-версией; авторы считают результат предварительным и отмечают вариативность оценки языковой моделью. Чекпойнт доступен в формате safetensors и распространяется по лицензии Apache-2.0.

Модель — учебный артефакт, а не готовый продукт. Она обучена на синтетических данных о вымышленном бизнесе, может сообщать неверные сведения за пределами обучающих данных и в полной системе должна отвечать с использованием найденного контекста.

Сценарии применения

  • ответы на типовые вопросы о доставке и заказах Nimbus Coffee
  • демонстрация DPO-выравнивания небольшой языковой модели
  • эксперименты с генерацией ответов службы поддержки
  • прототипирование диалогового помощника для ответов по предоставленному контексту

Ограничения

Модель обучена на синтетических данных о вымышленной компании, поэтому её знания о реальном бизнесе ограничены и ответы за пределами обучения могут быть неверными. Измеренное улучшение после DPO было небольшим и неубедительным; для ответов по актуальным сведениям нужен предоставленный или найденный контекст.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nimbus DPO 0.5B

The final deployable model from the Nimbus capstone: Qwen 2.5 0.5B, fully fine-tuned on 4,000 synthetic support Q&A pairs, then aligned with DPO on 500 preference pairs (498 after cleaning). Nimbus Coffee is a fictional roaster; the data was generated with DeepSeek.

Results

Scored on 200 questions held out from training. None is an exact copy of a training prompt; 8 of them match a training prompt once case and punctuation are ignored, and 2 match a DPO preference prompt. The judge is an LLM (DeepSeek) rating each answer 1 to 5.

ModelToken overlapJudge overall
SFT 0.5B (this model before DPO)0.58163.830
DPO 0.5B (this model)0.56643.913
SFT 3B LoRA v2 (the teacher)0.56354.035

Read the gain as small. Paired over the same 200 questions, DPO moved the judge score by +0.083 with a standard error of 0.049: 48 answers improved, 33 got worse and 119 stayed the same. That is suggestive, not conclusive, and an LLM judge has variance of its own.

Training

  • Supervised fine-tune: all weights, 3 epochs on CPU, final loss 0.5312
  • DPO: 500 chosen/rejected pairs, trained on a local AMD 7900 XT with ROCm
  • Why 0.5B: small enough for free hosting. The 3B teacher scores higher and is too large for that.

Use

from transformers import AutoModelForCausalLM, AutoTokenizer

name = "420yolomcswaggerpants/nimbus-dpo-0.5b"
tokenizer = AutoTokenizer.from_pretrained(name)
model = AutoModelForCausalLM.from_pretrained(name)

prompt = "### Instruction:\nHow much is shipping?\n\n### Response:\n"
inputs = tokenizer(prompt, return_tensors="pt")
out = model.generate(**inputs, max_new_tokens=100, do_sample=False)
print(tokenizer.decode(out[0], skip_special_tokens=True))

Limits

  • Trained on synthetic data about a fictional business. It is a study artifact, not a product.
  • A 0.5B model will state wrong facts outside what it was trained on.
  • In the full system it answers from retrieved context; on its own it only knows its training data.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
dc01748

0 моделей