/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Архитектура
llama · dense
Библиотека
transformers
Опубликована
12 окт 2024

llama3-8b-final-ppo-m-v0.3

Генерация текстаТекст → текст5 профессий

Диалоговая модель Llama 3 8B, дообученная методом PPO-M для снижения словесной самоуверенности ответов.

28скачиваний за 30 дней0лайковвеса обновлены17 окт 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

HINT-lab/llama3-8b-final-ppo-m-v0.3 — модель генерации текста семейства Llama, разработанная Jixuan Leng, Chengsong Huang, Banghua Zhu и Jiaxin Huang. Это версия Llama 3 8B, обученная методом PPO-M — вариантом RLHF с калиброванным моделированием вознаграждения, направленным на снижение словесной самоуверенности ответов. Для обучения использованы OpenRLHF/Llama-3-8b-sft-mixture, набор HINT-lab/prompt-collections-final-v0.3 и калиброванная reward-модель HINT-lab/llama3-8b-crm-final-v0.1.

Модель предназначена для диалоговой генерации ответов с более согласованной выраженностью уверенности и качества. Она содержит около 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и поддерживает контекст до 8192 токенов; веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация ответов в диалоговом ассистенте
  • создание ответов с более калиброванной выраженностью уверенности
  • эксперименты с RLHF и обучением языковых моделей
  • оценка влияния калибровки reward-модели на качество ответов

Ограничения

README описывает цель снижения словесной самоуверенности, но не приводит результатов оценки качества или гарантий калибровки. Лицензия не указана в предоставленных данных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

PPO-M (PPO with Calibrated Reward Modeling) is an RLHF algorithm to mitigate verbalized overconfidence in RLHF-trained Large Language Models. PPO-M calibrates the reward modeling process by augmenting the binary pairwise ranking dataset with explicit confidence scores, and encourages the reward model to align confidence levels with response quality. Please refer to our preprint (Taming Overconfidence in LLMs: Reward Calibration in RLHF) and repo for more details.

Model Details

Model Description

We train OpenRLHF/Llama-3-8b-sft-mixture on our HINT-lab/prompt-collections-final-v0.3 with our calibrated reward model HINT-lab/llama3-8b-crm-final-v0.1.

Model Sources [optional]

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
9ed1b72

0 моделей