/ Модель

Характеристики

Лицензия
Llama 3
Базовая модель
LLaMA3-iterative-DPO-final
Библиотека
transformers
Опубликована
25 мая 2024

LLaMA3-iterative-DPO-final-GGUF

Генерация текстаТекст → текст15 профессий

QuantFactory/LLaMA3-iterative-DPO-final-GGUF — это неофициальная GGUF-квантизованная версия инструкционной языковой модели LLaMA3-iterative-DPO-final, созданная QuantFactory с использованием llama.cpp на основе модели RLHFlow.

1 077скачиваний за 30 дней1лайквеса обновлены26 мая 2024

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

Модель предназначена для генерации текста и диалоговых сценариев, включая выполнение инструкций, ответы на вопросы и использование в conversational-приложениях.

Модель имеет около 8 млрд параметров и обучена методом Iterative DPO — вариантом онлайн-RLHF, основанным на Direct Preference Optimization. По данным README, обучение проводилось на открытых наборах данных без дополнительной разметки людьми или GPT-4. В опубликованных результатах модель показывает высокие показатели на Alpaca-Eval-V2, MT-Bench и Chat-Arena-Hard, а также на академических тестах GSM-8K, MMLU, HumanEval, TruthfulQA, ARC и MBPP. Конкретный формат квантизации, поддерживаемые языки, длина контекста и точные требования к ресурсам не указаны.

К сильным сторонам относятся компактный для инструкционной модели размер, возможность запуска в GGUF-совместимой инфраструктуре и хорошие заявленные результаты в диалоговых, математических, кодовых и общеобразовательных задачах. Ограничения включают неофициальный статус чекпойнта, возможные потери качества из-за квантизации и отсутствие подробных сведений о её параметрах. Указана лицензия llama3; дополнительные условия использования в README не раскрыты.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LLaMA3-iterative-DPO-final-GGUF

This is quantized version of RLHFlow/LLaMA3-iterative-DPO-final created using llama.cpp

Model Description

We release an unofficial checkpoint of a state-of-the-art instruct model of its class, LLaMA3-iterative-DPO-final. On all three widely-used instruct model benchmarks: Alpaca-Eval-V2, MT-Bench, Chat-Arena-Hard, our model outperforms all models of similar size (e.g., LLaMA-3-8B-it), most large open-sourced models (e.g., Mixtral-8x7B-it), and strong proprietary models (e.g., GPT-3.5-turbo-0613). The model is trained with open-sourced datasets without any additional human-/GPT4-labeling.

Even better, we provide a detailed recipe to reproduce the model. Enjoy!

Model Releases

See the collection of the training set, reward/preference model, SFT model.

Dataset

Training methods

We have developed a simple and efficient online RLHF recipe for LLM instruct training. Our recipe is DPO-based and thus much cheaper and simpler to train and tune compared to PPO-based approaches. Unlike widely-used offline DPO, the online component of our approach effectively mitigates distribution shifts during policy optimization. For a detailed exposition, please refer to our accompanying technical report.

Chat Benchmarks

ModelSizeMethodLC Alpaca-Eval-V2MT-BenchChat-Arena-Hard
Small Open-Sourced Models
Gemma-7B-it7BSFT10.46.387.5
Zephyr-7B-beta7BVanilla DPO13.17.34-
Mistral-7B-v0.2-it7BSFT17.17.5112.6
Open-Chat-01067BSFT15.67.8-
Starling-7B-beta7BPPO25.88.1223.0
LLaMA-3-8B-it8BRS+DPO+PPO22.98.1620.6
Ours
Ours (SFT baseline)8BSFT10.27.695.6
Ours (DPO baseline)8BVanilla DPO22.58.1722.4
Ours (Online RLHF)8BIterative DPO37.28.4629.1
Large Open-Sourced Models
Vicuna-33b-v1.333BSFT17.67.128.6
Yi-34B-Chat34BSFT27.2-23.1
Mixtral-8x7B-it45B*SFT23.78.3023.4
Tulu-2-DPO-70B70BVanilla DPO21.27.8915.0
LLaMA-3-70B-it70BRS+DPO+PPO34.48.9541.1
Mixtral-8x22B-it141B*SFT30.98.6636.4
Proprietary Models
GPT-3.5-turbo-1106--19.38.3518.9
GPT-3.5-turbo-0613--22.78.3924.8
GPT-4-0613--30.29.1837.9
Claude-3-Opus--40.59.0060.4
GPT-4 Turbo (04/09)--55.0-82.6

Academic Benchmarks

ModelSizeMethodGSM-8KMMLUHumanEvalTruthfulQAARCMBPP
LLaMA-3-8B-it8BRS+DPO+PPO79.666.061.643.959.561.1
Ours (SFT baseline)8BSFT74.264.765.253.461.462.3
Ours (DPO baseline)8BVanilla DPO79.864.563.461.865.260.3
Ours (Iterative RLHF)8BIterative DPO80.765.364.660.464.360.8

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

device = "cuda" 

model = AutoModelForCausalLM.from_pretrained("RLHFlow/LLaMA3-iterative-DPO-final")
tokenizer = AutoTokenizer.from_pretrained("RLHFlow/LLaMA3-iterative-DPO-final")

messages = [
    {"role": "user", "content": "I'm trying to teach myself to have nicer handwriting. Can you help?"},
]

model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt")

model_inputs = model_inputs.to(device)
model.to(device)

output_tokens = model.generate(model_inputs, max_new_tokens=1024, do_sample=True)
model_outputs = tokenizer.batch_decode(output_tokens)
print(model_outputs[0])

Limitations

RLHFlow/LLaMA3-iterative-DPO-final is an unofficial checkpoint developed to illustrate the power of online iterative RLHF and is for research purpose. While safety and ethical considerations are integral to our alignment process, there remains the possibility that the model could generate offensive or unethical content, particularly under adversarial conditions. We are committed to continuous improvement in our models to minimize such risks and encourage responsible usage.

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
619b4c0

0 моделей