/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Архитектура
llama · dense
Базовая модель
llama-3-8b-dpo-full
Библиотека
transformers
Опубликована
5 янв 2025

Llama-3-8B-RM

Генерация текстаТекст → текст3 профессии

Оценочная модель на базе Llama 3 8B, которая выставляет скалярную оценку ответам для сравнения предпочтений в конвейерах RLHF.

35скачиваний за 30 дней2лайкавеса обновлены6 янв 2025

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

Nagi-ovo/Llama-3-8B-RM — оценочная модель на архитектуре Llama, дообученная на базе Llama 3 8B с этапами SFT и DPO. Она предсказывает предпочтение человека между двумя ответами на один запрос и выдаёт скалярную оценку вознаграждения. Модель предназначена для включения в конвейер обучения с подкреплением на основе обратной связи от людей (RLHF).

Модель содержит 7,5 млрд параметров, принимает текст и имеет контекстное окно до 8192 токенов. В карточке указан обучающий набор PKU-SafeRLHF-30K; метаданные также связывают её с Nagi-ovo/Llama-3-8B-DPO. Для работы с оценками предпочтений она выдаёт числовую оценку, а не готовый ответ пользователю. Распространяется в формате safetensors; лицензия в предоставленных данных не указана.

Сценарии применения

  • сравнение двух ответов на один запрос по предпочтениям людей
  • оценка качества ответов для обучения RLHF
  • ранжирование вариантов ответа по оценке вознаграждения

Ограничения

Модель выдаёт скалярную оценку и предназначена для оценки предпочтений, а не для генерации готовых ответов; её полезность зависит от соответствия оцениваемых запросов и ответов обучающим данным PKU-SafeRLHF-30K.

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

Overview

This reward model is trained to predict human preferences between pairs of responses to various prompts. It is designed to be used as part of a Reinforcement Learning from Human Feedback (RLHF) pipeline.

Model Architecture

  • Base Model: Llama3-8B with SFT & DPO
  • Output: Single scalar reward value
  • Parameters: 8B
  • Training Framework: DeepSpeed + TRL

Example Usage

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

device = 'cuda:0'
model_name = "Nagi-ovo/Llama-3-8B-RM"

model = AutoModelForSequenceClassification.from_pretrained(
    model_name,
    load_in_4bit=True, 
    bnb_4bit_quant_type="nf4",
)

tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)

SYSTEM_PROMPT = "You are a helpful assistant"

def format_prompt_answer(prompt, answer):
    """Format the input for reward model evaluation"""
    return f"###System: {SYSTEM_PROMPT}\n###Question: {prompt}\n###Answer: {answer}<|end_of_text|>"

def get_reward_score(prompt, answer):
    """Get reward score for a given prompt-answer pair"""
    formatted_input = format_prompt_answer(prompt, answer)
    inputs = tokenizer(formatted_input, return_tensors='pt').to(device)
    
    with torch.no_grad():
        output = model(inputs['input_ids']).logits
    
    return output.item()

prompt = "How are you?"
answer = "I'm doing great! Thank you for asking. How can I help you today?"
    
score = get_reward_score(prompt, answer)
print(f"Prompt: {prompt}")
print(f"Answer: {answer}")
print(f"Reward Score: {score}")

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
26e47a3

0 моделей