/ 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-PRM-Deepseek-Data

Генерация текстаТекст → текст3 профессии

Процессно-супервизируемая модель вознаграждения на базе Llama 3.1 8B для оценки шагов рассуждения и отбора решений.

1 537скачиваний за 30 дней51лайквеса обновлены10 мая 2025

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-PRM-Deepseek-Data — процессно-супервизируемая модель вознаграждения (PRM) проекта RLHFlow/RLHF-Reward-Modeling. Она дообучена на базе meta-llama/Llama-3.1-8B-Instruct на наборе RLHFlow/Deepseek-PRM-Data в течение одной эпохи. Модель относится к плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и рассчитана на контекст до 131 072 токенов.

Модель предназначена для оценки промежуточных шагов в решениях и отбора или ранжирования вариантов рассуждения, в том числе при Best-of-N-сэмплировании. README приводит результаты оценивания на GSM8K и MATH с генераторами Mistral-7B и Deepseek-7B. В метаданных указаны текстовая генерация и разговорный интерфейс; входные и выходные данные — текст.

Весы доступны в формате safetensors и используются через Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оценка промежуточных шагов математического решения
  • отбор лучших ответов из множества сгенерированных вариантов
  • оценка решений задач GSM8K и MATH
  • ранжирование цепочек рассуждений для генератора

Ограничения

README описывает обучение на конкретном наборе PRM-данных и оценки в математических задачах, но не приводит подробных сведений о качестве в других областях. Лицензия не указана в предоставленных данных.

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) from the project RLHFlow/RLHF-Reward-Modeling

The model is trained from meta-llama/Llama-3.1-8B-Instruct on RLHFlow/Deepseek-PRM-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/RLHF-Reward-Modeling/tree/main/math-rm.

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-rm 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{xiong2024implementation,
  title={An implementation of generative prm},
  author={Xiong, Wei and Zhang, Hanning and Jiang, Nan and Zhang, Tong},
  year={2024}
}

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
51100bc

0 моделей