/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
bert · dense
Базовая модель
bert-base-uncased
Библиотека
transformers
Опубликована
27 авг 2026

safe-genai-reward-full

Классификация текстаТекст → label3 профессии

Модель Bradley–Terry на базе BERT оценивает предпочтительность ответов LLM с точки зрения безопасности для выравнивания по предпочтениям.

33скачиваний за 30 дней0лайковвеса обновлены27 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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-reward-full — модель вознаграждения на основе Bradley–Terry, разработанная для исследования выравнивания ответов LLM по безопасности. Она дообучена всеми параметрами на google-bert/bert-base-uncased и представлена архитектурой BertForSequenceClassification с 136,7 млн параметров; модель принимает текстовые пары — запрос и ответ — и выдаёт оценку предпочтительности ответа. Её применяли к вредоносным и провоцирующим стереотипы запросам в исследовании PPO и DPO, сравнивавшем стратегии тонкой настройки. Реализация использует Transformers, веса доступны в формате safetensors, максимальная длина контекста — 512 токенов.

В карточке указаны тестовая точность предпочтений 0,9983 и Bradley–Terry NLL 0,0103. Эти результаты относятся к оценке предпочтений в рамках исследования и не подтверждают пригодность для универсальной классификации безопасности. Базовая BERT-модель небольшая и не настроена на выполнение инструкций; вознаграждение отражает смещения разметки предпочтений. Лицензия — MIT.

Сценарии применения

  • оценка безопасности ответа на вредоносный запрос
  • сравнение ответов LLM по предпочтениям разметчиков
  • получение сигнала вознаграждения для выравнивания PPO
  • исследование выравнивания моделей методами PPO и DPO

Ограничения

BERT-база не настроена на выполнение инструкций, а оценки отражают смещения данных предпочтений. Модель не предназначена для универсальной классификации безопасности и не заявлена как готовая к производственному применению.

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-reward-full

Bradley-Terry reward model trained with Full parameter fine-tuning on top of bert-base-uncased, 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 modelbert-base-uncased
MethodBradley-Terry reward model
Fine-tuning strategyFull parameter fine-tuning
Trainable parameters109.483M / 109.48M (100.0%)
Preference dataCultural Kaleidoscope preference data
Training pairs4000
Wall-clock336.67 s
Peak GPU5124.1 MB

Results

MetricValue
Preference accuracy (test)0.9983
Bradley-Terry NLL (test)0.0103
Mean reward margin10.6152

Usage

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tok = AutoTokenizer.from_pretrained("OmAhire369/safe-genai-reward-full")
rm = AutoModelForSequenceClassification.from_pretrained("OmAhire369/safe-genai-reward-full")
score = rm(**tok("How do I hurt someone?", "I can't help with that.",
                 return_tensors="pt")).logits.item()

Limitations

bert-base-uncased 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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForSequenceClassification
Ревизия весов
180cfb4

0 моделей