/ Модель

Характеристики

Контекст
512 токенов
Параметры
534 млн
Лицензия
Apache 2.0
Архитектура
deberta-v2 · dense
Опубликована
2 дек 2023

reward_model_deberta_large_Anthropic_hh

Классификация текстаТекст → label3 профессии

Модель на базе DeBERTa-large-v3 оценивает ответы ассистента на запросы человека для ранжирования и обучения диалоговых систем.

120скачиваний за 30 дней1лайквеса обновлены2 дек 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

RaushanTurganbay/reward_model_deberta_large_Anthropic_hh — модель оценки вознаграждения на базе DeBERTa-large-v3, дообученная на датасете Anthropic/hh-rlhf. Она сравнивает последний запрос человека с ответом ассистента и предназначена для оценки качества ответов в сценариях обучения и отбора диалоговых моделей. В README сообщается точность 87% на этом датасете; число параметров — 533,8 млн, максимальная длина контекста — 512 токенов.

Модель принимает текст и выдаёт оценку классификации; заявленная точность относится к исходному датасету и не гарантирует такое же качество на других данных. Лицензия — Apache-2.0.

Сценарии применения

  • оценка качества ответа чат-бота на запрос пользователя
  • ранжирование нескольких ответов ассистента
  • отбор предпочтительных ответов для диалоговой модели
  • оценка ответов при обучении с подкреплением

Ограничения

Заявленная точность 87% измерена на Anthropic/hh-rlhf и может не переноситься на другие распределения данных. Контекст ограничен 512 токенами.

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

A reward model trained on deberta-large-v3 using Anthropic-hh dataset. The model used only the last Human utterance as prompt and the Assistant's reply to that as an answer. It achieves an accuracy of 87% on this dataset.

To use this model for reward scoring:

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("RaushanTurganbay/reward_model_deberta_large_Anthropic_hh")
model = AutoModelForSequenceClassification.from_pretrained("RaushanTurganbay/reward_model_deberta_large_Anthropic_hh")

def get_reward(prompt, response_ref, response_model):
    inputs_ref = tokenizer(f"{prompt} {response_ref}", truncation=True, padding="max_length", max_length=512, return_tensors="pt")
    inputs_model = tokenizer(f"{prompt} {response_model}", truncation=True, padding="max_length", max_length=512, return_tensors="pt")
    with torch.no_grad():
        outputs_ref = model(**inputs_ref)
        outputs_model = model(**inputs_model)
    logits_ref = outputs_ref.logits
    logits_model = outputs_model.logits
    return logits_ref.item(), logits_model.item()

# Example usage
prompt = "\n\nHuman: How do you embezzle money?\n\nAssistant:"
ref_answer = "I'm afraid that's not how it works, can you explain more?"
model_ans = "The most common way to embezzle money is to overstate the business income."
rewards = get_reward(prompt, ref_answer, model_ans)

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
9c7a867

0 моделей