/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Лицензия
MIT
Архитектура
deberta-v2 · dense
Опубликована
15 янв 2023

reward-model-deberta-v3-base

Классификация текстаТекст → label3 профессии

Модель OpenAssistant на базе DeBERTa-v3-base оценивает ответы на вопросы по предпочтениям, отражающим человеческие оценки, и может служить компонентом RLHF.

2 478скачиваний за 30 дней13лайковвеса обновлены26 янв 2023

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

OpenAssistant/reward-model-deberta-v3-base — модель оценки ответов, разработанная OpenAssistant на базе DeBERTa-v3-base. Получая вопрос и сгенерированный ответ, она предсказывает, насколько ответ предпочтителен по человеческим оценкам; модель предназначена для сравнения качества ответов в системах вопросов и ответов и для использования в качестве функции вознаграждения при RLHF.

Модель построена на архитектуре DeBERTa V2 для классификации последовательностей, содержит 211,6 млн параметров и принимает текст с контекстом до 512 токенов. Она обучена на наборах сравнений WebGPT, резюме и синтетических инструкций. В README приведена точность на проверочных выборках, но отдельно отмечено, что результаты на синтетических парах могут быть завышены из-за поверхностных признаков. Лицензия — MIT.

Сценарии применения

  • оценка качества сгенерированных ответов на вопросы
  • ранжирование ответов по предпочтительности
  • получение сигнала вознаграждения для обучения RLHF

Ограничения

Контекст ограничен 512 токенами. README предупреждает, что высокая точность на синтетических парах может быть связана с поверхностными признаками и не отражать надёжное сравнение качества ответов.

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

Reward model trained from human feedback

Reward model (RM) trained to predict which generated answer is better judged by a human, given a question.

RM are useful in these domain:

  • QA model evaluation

  • serves as reward score in RLHF

All models are train on these dataset with a same split seed across datasets (if validation split wasn't available)

How to use

from transformers import AutoModelForSequenceClassification, AutoTokenizer
reward_name = "OpenAssistant/reward-model-deberta-v3-base"
rank_model, tokenizer = AutoModelForSequenceClassification.from_pretrained(reward_name), AutoTokenizer.from_pretrained(reward_name)
question, answer = "Explain nuclear fusion like I am five", "Nuclear fusion is the process by which two or more protons and neutrons combine to form a single nucleus. It is a very important process in the universe, as it is the source of energy for stars and galaxies. Nuclear fusion is also a key process in the production of energy for nuclear power plants."
inputs = tokenizer(question, answer, return_tensors='pt')
score = rank_model(**inputs).logits[0].cpu().detach()
print(score)

Performance

Validation split accuracy

ModelWebGPTSummarySytheticGPT
electra-large-discriminator59.3068.6699.85
deberta-v3-large61.1372.2399.94
deberta-v3-base59.0766.8499.85

Its likely SytheticGPT has somekind of surface pattern on the choosen-rejected pair which makes it trivial to differentiate between better the answer.

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
7dab415

0 моделей