/ Модель

Характеристики

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

reward-model-deberta-v3-large

Классификация текстаТекст → label3 профессии

Модель вознаграждения OpenAssistant на базе DeBERTa-v3-large сравнивает ответы на вопросы и выдаёт оценку предпочтительности для оценки QA и RLHF.

926скачиваний за 30 дней25лайковвеса обновлены17 фев 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-large — модель вознаграждения на базе DeBERTa-v3-large, разработанная OpenAssistant и обученная на сравнениях ответов, оценённых людьми. По вопросу и сгенерированному ответу модель оценивает, насколько ответ предпочтителен; её предназначение — оценка ответов в системах вопросов и ответов и выдача сигнала вознаграждения для RLHF.

Модель содержит 533,8 млн параметров, использует архитектуру DeBERTa-v2 для классификации последовательностей и работает с контекстом до 512 токенов. В карточке указаны английский язык и наборы данных с человеческими сравнениями ответов и синтетическими парами инструкций. Условия использования определяются лицензией MIT.

В README приведены точности на валидационных выборках WebGPT, Summarize from Feedback и синтетического набора, однако авторы отмечают, что последний может содержать поверхностные шаблоны, упрощающие различение ответов. Поэтому оценки модели могут зависеть от распределения данных и не гарантируют качества человеческого суждения для произвольных ответов.

Сценарии применения

  • оценка качества сгенерированных ответов на вопросы
  • ранжирование двух ответов по предпочтительности
  • получение сигнала вознаграждения для RLHF
  • сравнение ответов суммаризации с человеческими предпочтениями

Ограничения

Контекст ограничен 512 токенами. В README отмечено, что синтетический набор мог содержать поверхностные шаблоны, поэтому оценки могут отражать особенности данных и не всегда соответствовать человеческим предпочтениям.

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-large"
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
1f543c0

0 моделей