/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
454 млн
Лицензия
Apache 2.0
Архитектура
opt · dense
Опубликована
15 апр 2023

chat-opt-350m-reward-deepspeed

Генерация текстаТекст → текст3 профессии

Модель на базе OPT для оценки предпочтительности ответов в конвейерах RLHF и обучения чат-моделей.

53скачиваний за 30 дней7лайковвеса обновлены25 апр 2023

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

AdamG012/chat-opt-350m-reward-deepspeed — модель оценки ответов, созданная как второй этап обучения ChatGPT-подобных систем с помощью DeepSpeed-Chat. Она основана на архитектуре OPT и содержит около 454,1 млн параметров; в README конфигурация описана как 350M. Модель обучалась на наборах сравнений ответов, включая HH-RLHF, WebGPT Comparisons и SHP, чтобы различать предпочтительные и менее предпочтительные ответы.

Модель предназначена для оценки качества ответов в конвейерах обучения с обратной связью от людей, в частности для формирования сигнала вознаграждения при RLHF. Метаданные Hugging Face указывают задачу text-generation, но карточка описывает назначение именно как reward model, а не как обычный чат-бот для прямых ответов пользователям. Архитектура — OPTForCausalLM; контекст составляет 2048 токенов. Указан английский язык.

Модель распространяется по лицензии Apache-2.0. Её оценочные предпочтения зависят от обучающих сравнений и могут не совпадать с предпочтениями конкретного приложения; карточка не приводит количественных оценок качества.

Сценарии применения

  • ранжирование вариантов ответа чат-бота по предпочтительности
  • вычисление сигнала вознаграждения для RLHF
  • оценка ответов при дообучении языковой модели на сравнениях
  • сравнение ответов модели на основе предпочтений людей

Ограничения

Модель предназначена для использования как компонент оценки и обучения, а не как самостоятельный чат-бот. Её предпочтения отражают обучающие наборы сравнений и могут не соответствовать требованиям конкретного приложения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ChatGPT OPT 350M DeepSpeed Reward Model

chat-opt-350m-reward-deepspeed

This model consists of the second step of a modified pipeline the to the traditional training process of Chat-GPT models, which is comprised of a three-step procedure of supervised fine tuning, reward model and reinforcement learning from human feedback models; actor, actor EMA and critic models.

This project's main goal was to make proper use of existing frameworks that revolve around the minimisation of training costs and thus the eventual improvements towards both the feasibility and usability of ChatGPT-like models. The framework selected here is DeepSpeed which has been instrumental in the development of this model and through this framework it was possible to train the ChatGPT-like model on much larger data-sets with a reasonable number of GPUs and consequently achieve significantly better performance.

This model follows the blog of ChatGPT and the paper of InstructGPT and especially the Microsoft DeepSpeed Chat Blog.

Our Training Methodology and Speedup Recipes

The training process simply involves a single python run of DeepSpeed-Chat which initiates the whole 3-step pipeline, saving all models in the process:

python train.py --actor-model facebook/opt-1.3b --reward-model facebook/opt-350m --deployment-type single_node

This pipeline can be broken up into three key steps:

  1. Supervised fine-tuning (SFT): See here.
  2. Reward Model (RM) fine-tuning: In parallel or after the model has been trained under supervised conditions, the RM fine tuning step takes the pre-trained models (or the model trained from step 1, if you choose so) and uses small learning rates that were tuned on the data-set with comparisons (accept and reject).
  3. Reinforcement-learning from Human feedback (RLHF) fine-tuning: At the completion of the prior two steps, the final RLHF fine-tuning can be initiated. This involves the collection of both the fine-tuned model from step 1 and the reward model from step 2 and train them on the data-set with comparisons. This generates both an actor and critic. I also generate an actor model with an exponential moving average (EMA) which is known to improve conversational response quality.

To view the details behind each step head into their respective links and view the model card there.

Reward Model Configurations

Model Configurations:

ParameterValue
Parameters350M
Model typeOPT
FFN Dimensions4096
Hidden Size1024
Max Position Embedding2048
Attention Heads16
Hidden layers24

Training Configurations:

ParameterValue
Train Batch size64
Train micro batch size8
ZeRO stage0
FP16True
Gradient clipping1.0
Dropout0.1
Prescale gradientsTrue

Installation

If using through the HuggingFace transformers library:

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("AdamG012/chat-opt-350m-reward-deepspeed")

model = AutoModelForCausalLM.from_pretrained("AdamG012/chat-opt-350m-reward-deepspeed")

If you would like to clone from source:

# Make sure you have git-lfs installed (https://git-lfs.github.com)
git lfs install
git clone https://huggingface.co/AdamG012/chat-opt-350m-reward-deepspeed

# if you want to clone without large files – just their pointers
# prepend your git clone with the following env var:
GIT_LFS_SKIP_SMUDGE=1

Acknowledgements

We thank the following papers and open-source repositories. We especially thank DeepSpeed for their frameworks as well.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
OPTForCausalLM
Ревизия весов
a9eb047

0 моделей