/ Модель

Характеристики

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

safe-genai-ppo-full

Генерация текстаТекст → текст3 профессии

Модель GPT-2 Medium, дообученная методом PPO для более безопасных ответов на вредоносные и провоцирующие стереотипы запросы.

334скачиваний 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 разработал safe-genai-ppo-full — модель генерации текста на базе GPT-2 Medium, дообученную полным обновлением параметров методом PPO в рамках RLHF. Она предназначена для настройки ответов на вредоносные и провоцирующие стереотипы запросы в сторону более безопасной манеры общения; модель также входит в сравнительное исследование методов выравнивания PPO и DPO и стратегий дообучения.

Модель использует архитектуру GPT-2, библиотеку Transformers и веса в формате safetensors. Длина контекста — 1024 токена. В README приведён пример генерации продолжения текста по запросу. Указанная лицензия — MIT.

Авторы отмечают, что GPT-2 Medium — небольшая устаревшая базовая модель без настройки на инструкции. Дообучение меняет стиль и безопасность ответов, но не обеспечивает фактическую надёжность и не делает модель пригодной для производственного применения. Оценочная модель зависит от смещений в данных предпочтений и не предназначена для использования как универсальный классификатор безопасности.

Сценарии применения

  • генерация более безопасных ответов на вредоносные запросы
  • смягчение стереотипных ответов модели
  • изучение выравнивания LLM методом PPO и RLHF

Ограничения

Базовая GPT-2 Medium устарела и не обучена следовать инструкциям; модель может быть недостаточно фактичной и не предназначена для производственного применения. Результат зависит от смещений данных предпочтений, поэтому модель не следует считать универсальным классификатором безопасности.

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-ppo-full

PPO (RLHF) 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
MethodPPO (RLHF)
Fine-tuning strategyFull parameter fine-tuning
Trainable parameters354.823M / 354.82M (100.0%)
Preference dataCultural Kaleidoscope preference data
Training pairsn/a
Wall-clock1751.58 s
Peak GPU9386.4 MB

Results

MetricValue
Reward-model score after training-1.8171
Reward improvement vs. step 03.0405

Usage

from transformers import AutoTokenizer, AutoModelForCausalLM

tok = AutoTokenizer.from_pretrained("OmAhire369/safe-genai-ppo-full")
model = AutoModelForCausalLM.from_pretrained("OmAhire369/safe-genai-ppo-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
ecd48aa

0 моделей