/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Meta-Llama-3-8B-Instruct
Опубликована
28 авг 2024

REBEL-Llama-3-Armo-iter_3

Генерация текстаТекст → текст3 профессии

Англоязычная диалоговая модель Cornell-AGI на базе Llama 3, дообученная методом REBEL для генерации ответов ассистента.

10скачиваний за 30 дней2лайкавеса обновлены2 сен 2024

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

REBEL-Llama-3-Armo-iter_3 — диалоговая языковая модель, разработанная Cornell-AGI для исследования метода REBEL (Reinforcement Learning via Regressing Relative Rewards). Она основана на Meta-Llama-3-8B-Instruct и дообучена на UltraFeedback с использованием ArmoRM-Llama3-8B-v0.1 в качестве модели вознаграждения. При подготовке данных для обучения выбирались лучшие и худшие ответы из пяти вариантов генерации для каждого примера.

Модель предназначена для генерации ответов ассистента и диалогового текста на английском языке. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM, 7,5 млрд параметров и контекстом до 8192 токенов; она опубликована в формате safetensors и поддерживает chat. README связывает выпуск с научной статьёй о REBEL и приводит оценки родственных моделей семейства, но не указывает результаты именно для итерации 3.

Лицензия — Apache-2.0. Модель унаследует языковые и качественные ограничения базовой Llama 3 и может генерировать фактически неверные или нежелательные ответы; отдельные оценки этой итерации в карточке не приведены.

Сценарии применения

  • генерация ответов в англоязычном чат-боте
  • создание диалогового ассистента
  • подготовка ответов на пользовательские запросы
  • эксперименты с обучением LLM на относительных вознаграждениях

Ограничения

Карточка не приводит отдельные результаты оценки этой итерации. Как и другие генеративные языковые модели, она может выдавать фактически неверные или нежелательные ответы.

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

This is a model released for our paper: REBEL: Reinforcement Learning via Regressing Relative Rewards.

REBEL-Llama-3-Armo-iter_3

This model is developed with REBEL based on Meta-Llama-3-8B-Instruct with ArmoRM-Llama3-8B-v0.1 as the reward model and UltraFeedback dataset. The training code is available at https://github.com/ZhaolinGao/REBEL. We collect offline generations of the entire dataset with best-of-5 as the chosen response and worst-of-5 as the rejected response (Ultrafeedback-Llama-3-Armo-iter_3)..

Links to Other Model

REBEL-OpenChat-3.5

REBEL-Llama-3

REBEL-Llama-3-epoch_2

REBEL-Llama-3-Armo-iter_1

REBEL-Llama-3-Armo-iter_2

Evaluations

ModelAlpacaEval 2.0LC Win RateAlpacaEval 2.0Win RateMT-BenchAverageMMLU(5-shot)GSM8K(5-shot)
REBEL-OpenChat-3.517.312.88.0663.768.8
REBEL-Llama-330.132.68.1665.875.6
REBEL-Llama-3-epoch_231.334.27.8365.475.4
REBEL-Llama-3-Armo-iter_148.341.88.1366.375.8
REBEL-Llama-3-Armo-iter_250.048.58.0765.975.4
REBEL-Llama-3-Armo-iter_349.748.18.0166.075.7

Citation

Please cite our paper if you use this model in your own work:

@misc{gao2024rebel,
      title={REBEL: Reinforcement Learning via Regressing Relative Rewards}, 
      author={Zhaolin Gao and Jonathan D. Chang and Wenhao Zhan and Owen Oertell and Gokul Swamy and Kianté Brantley and Thorsten Joachims and J. Andrew Bagnell and Jason D. Lee and Wen Sun},
      year={2024},
      eprint={2404.16767},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
467cefc

0 моделей