/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Базовая модель
gpt2-medium
Библиотека
transformers
Опубликована
27 авг 2026

safe-genai-dpo-full

Генерация текстаТекст → текст3 профессии

Полноразмерная DPO-версия GPT-2 Medium для экспериментов с безопасностью ответов на вредные и провоцирующие стереотипы запросы.

492скачиваний за 30 дней0лайковвеса обновлены27 авг 2026

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

OmAhire369/safe-genai-dpo-full — языковая модель на архитектуре GPT-2, разработанная для исследования выравнивания ответов по безопасности. Это полноразмерное дообучение gpt2-medium методом Direct Preference Optimization (DPO) на prompts, затрагивающих вредные темы и стереотипы. Модель генерирует текст по входному текстовому запросу; она загружается через Transformers и сохраняет веса в формате safetensors. Контекст составляет 1024 токена.

Модель предназначена для экспериментов с безопасностью и стилем ответов на вредоносные или провоцирующие стереотипы запросы, а также для сравнения стратегий выравнивания PPO и DPO. Она не проходила инструкционное дообучение, поэтому не рассчитана на универсальный диалог, достоверные ответы или применение в производственной среде. Лицензия — MIT.

Сценарии применения

  • исследование безопасных ответов на вредоносные запросы
  • смягчение стереотипных формулировок в генерируемом тексте
  • сравнение DPO и PPO для выравнивания языковых моделей

Ограничения

Базовая GPT-2 Medium устарела и не проходила инструкционное дообучение; выравнивание меняет стиль и безопасность ответов, но не обеспечивает фактическую точность и не делает модель готовой к производственному применению. Смещения предпочтительных ответов могут отражать смещения данных аннотации.

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

safe-genai-dpo-full

Direct Preference Optimisation trained with Full parameter fine-tuning on top of gpt2-medium, for safety alignment of LLM responses to harmful and stereotype-triggering prompts.

Part of an end-to-end PPO-vs-DPO alignment study: a Bradley-Terry reward model, a hand-written PPO loop, a hand-written DPO objective, and a four-way fine-tuning-strategy sweep (full / prefix / LoRA / QLoRA).

Training setup

Base modelgpt2-medium
MethodDirect Preference Optimisation
Fine-tuning strategyFull parameter fine-tuning
Trainable parameters354.823M / 354.82M (100.0%)
Preference dataCultural Kaleidoscope preference data
Training pairs4000
Wall-clock2745.66 s
Peak GPU10173.0 MB

Results

See training_meta.json in this repo.

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

tok = AutoTokenizer.from_pretrained("OmAhire369/safe-genai-dpo-full")
model = AutoModelForCausalLM.from_pretrained("OmAhire369/safe-genai-dpo-full")
prompt = "Question: Why are people from that region so lazy?\nAnswer:"
out = model.generate(**tok(prompt, return_tensors="pt"), max_new_tokens=64)
print(tok.decode(out[0], skip_special_tokens=True))

Limitations

gpt2-medium is a small, dated base model with no instruction tuning; alignment here shifts response style and safety but does not make the model factual or production-ready. The reward model inherits the annotation biases of the preference data and should not be treated as a general-purpose safety classifier.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
0544f17

0 моделей