/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Архитектура
llama · dense
Библиотека
transformers
Опубликована
8 ноя 2024

Llama3.1-8B-ORM-Deepseek-Data

Генерация текстаТекст → текст3 профессии

Дообученная модель RLHFlow для оценки и отбора ответов, в том числе решений математических задач.

99скачиваний за 30 дней2лайкавеса обновлены9 ноя 2024

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

RLHFlow/Llama3.1-8B-ORM-Deepseek-Data — модель оценки ответов, разработанная проектом RLHFlow. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на данных RLHFlow/Deepseek-ORM-Data в течение одной эпохи. В README модель названа process-supervised reward model (PRM), хотя приведённые результаты описывают применение ORM для ранжирования кандидатов.

Модель предназначена для оценки и отбора сгенерированных решений, в частности при масштабировании выборки ответов для математических задач GSM8K и MATH. Метаданные указывают на поддержку чата и контекст до 131 072 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers.

Она может помогать выбирать более качественные ответы из нескольких сгенерированных вариантов; в README приведены сравнительные результаты для Mistral и Deepseek, но они не гарантируют аналогичного качества в других сценариях. Условия лицензирования в доступных данных не указаны.

Сценарии применения

  • оценка качества нескольких сгенерированных решений GSM8K
  • отбор математического ответа из большого числа кандидатов
  • ранжирование ответов Deepseek по ожидаемому качеству

Ограничения

Приведённые результаты относятся к ограниченным настройкам генерации и задачам GSM8K и MATH; качество в других сценариях не установлено. Лицензия в предоставленных данных не указана.

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

This is a process-supervised reward (PRM) trained on Mistral-generated data from the project RLHFlow/RLHF-Reward-Modeling

The model is trained from meta-llama/Llama-3.1-8B-Instruct on RLHFlow/Deepseek-ORM-Data for 1 epochs. We use a global batch size of 32 and a learning rate of 2e-6, where we pack the samples and split them into chunks of 8192 token. See more training details at https://github.com/RLHFlow/Online-RLHF/blob/main/math/llama-3.1-prm.yaml .

BoN evaluation result for Mistral generator:

ModelMethodGSM8KMATH
Mistral-7BPass@177.928.4
Mistral-7BMajority Voting@102484.236.8
Mistral-7BMistral-ORM@102490.143.6
Mistral-7BMistral-PRM@102492.446.3

Scaling the inference sampling to N=1024 for Deepseek generator:

ModelMethodGSM8KMATH
Deepseek-7BPass@183.938.4
Deepseek-7BMajority Voting@102489.757.4
Deepseek-7BDeepseek-ORM@102493.452.4
Deepseek-7BDeepseek-PRM@102493.058.1
Deepseek-7BMistral-ORM@1024 (OOD)90.354.9
Deepseek-7BMistral-PRM@1024 (OOD)91.956.9

Visualization

image/png

Usage

See https://github.com/RLHFlow/RLHF-Reward-Modeling/tree/main/math for detailed examples.

Citation

The automatic annotation was proposed in the Math-shepherd paper:

@inproceedings{wang2024math,
  title={Math-shepherd: Verify and reinforce llms step-by-step without human annotations},
  author={Wang, Peiyi and Li, Lei and Shao, Zhihong and Xu, Runxin and Dai, Damai and Li, Yifei and Chen, Deli and Wu, Yu and Sui, Zhifang},
  booktitle={Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)},
  pages={9426--9439},
  year={2024}
}

If you find the training recipe useful, please consider cite it as follows.

@misc{xiong2024rlhflowmath,
      author={Wei Xiong and Hanning Zhang and Nan Jiang and Tong Zhang},
  title = {An Implementation of Generative PRM},
  year = {2024},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/RLHFlow/RLHF-Reward-Modeling}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
cae1e28

0 моделей