/ Модель

Характеристики

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

Llama3.1-8B-PRM-Mistral-Data

Генерация текстаТекст → текст3 профессии

Процессная reward-модель на базе Llama 3.1 8B для оценки шагов рассуждений и отбора сгенерированных математических решений.

128скачиваний за 30 дней11лайковвеса 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-PRM-Mistral-Data — процессно-ориентированная reward-модель (PRM) проекта RLHFlow, предназначенная для оценки промежуточных шагов в решениях задач и отбора ответов, сгенерированных языковой моделью. Она дообучена на один эпохе на данных RLHFlow/Mistral-PRM-Data, созданных Mistral, на базе meta-llama/Llama-3.1-8B-Instruct. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и работает с контекстом до 131 072 токенов; веса опубликованы в формате safetensors для Transformers.

Сценарии применения включают оценивание цепочек рассуждений и best-of-N отбор кандидатов при генерации математических ответов. В README приведены результаты сравнительной оценки с генераторами Mistral-7B и Deepseek-7B на GSM8K и MATH, однако это не означает, что модель сама генерирует ответы или что приведённые показатели являются её отдельными метриками. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оценка промежуточных шагов математического решения
  • ранжирование кандидатов ответов, сгенерированных Mistral
  • best-of-N отбор решений на задачах GSM8K
  • best-of-N отбор решений на задачах MATH

Ограничения

Опубликованные результаты относятся к оценке генераторов Mistral-7B и Deepseek-7B на GSM8K и MATH и не задают универсального качества модели. Лицензия не приведена 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) 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/Mistral-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/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-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{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
0a4c93a

0 моделей