/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,5 ГБ
Архитектура
mistral · dense
Библиотека
transformers
Опубликована
12 окт 2024

mistral-7b-ppo-c-hermes

Генерация текстаТекст → текст4 профессии

Диалоговая модель Mistral на 7,1 млрд параметров, дообученная с PPO-C для снижения чрезмерно уверенных формулировок в ответах.

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/mistral-7b-ppo-c-hermes — языковая модель, разработанная Jixuan Leng, Chengsong Huang, Banghua Zhu и Jiaxin Huang. Это дообученная методом RLHF версия teknium/OpenHermes-2.5-Mistral-7B с алгоритмом PPO-C, который корректирует оценки reward model с учётом выраженной моделью уверенности и скользящего среднего оценок. Цель метода — снизить словесное проявление чрезмерной уверенности в ответах.

Модель основана на плотной архитектуре Mistral с 7,1 млрд параметров, принимает текст и генерирует текст; в метаданных указан контекст длиной до 32 768 токенов и поддержка чата. Она предназначена для диалоговых ответов и генерации текста с калибровкой уверенности. В карточке не перечислены языки обучения или гарантии качества; лицензия не приведена в доступных данных.

Сценарии применения

  • генерация ответов в диалоге с пользователем
  • создание текстовых ответов с более сдержанными заявлениями об уверенности
  • эксперименты с калибровкой уверенности в RLHF-моделях

Ограничения

В README не указаны поддерживаемые языки и лицензия. Заявленная цель PPO-C — смягчение словесного проявления чрезмерной уверенности; это не гарантирует фактическую точность ответов.

Для каких профессий подходит4

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

Model Card for Model ID

PPO-C (PPO with Calibrated Reward Calculation) is an RLHF algorithm to mitigate verbalized overconfidence in RLHF-trained Large Language Models. PPO-C adjusts standard reward model scores during PPO training. It maintains a running average of past reward scores as a dynamic threshold to classify responses, and adjusts the reward scores based on model expressed verbalized confidence. Please refer to our preprint (Taming Overconfidence in LLMs: Reward Calibration in RLHF) and repo for more details.

Model Details

Model Description

We train teknium/OpenHermes-2.5-Mistral-7B on our HINT-lab/prompt-collections-final-v0.3 with a vanilla reward model HINT-lab/mistral-7b-hermes-rm-skywork.

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
MistralForCausalLM
Ревизия весов
9444298

0 моделей