/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,2 млрд
Размер весов
6,4 ГБ
Лицензия
MIT
Архитектура
llama · dense
Базовая модель
Llama-3.2-3B-Instruct
Опубликована
22 окт 2024

GRM-llama3.2-3B-sftreg

Классификация текстаТекст → label3 профессии

Дообученная на предпочтениях reward-модель Llama 3.2 оценивает ответы языковых моделей и помогает обучать более обобщающиеся системы предпочтений для RLHF.

36скачиваний за 30 дней1лайквеса обновлены5 фев 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

GRM-llama3.2-3B-sftreg — reward-модель для оценки предпочтительности ответов больших языковых моделей, разработанная авторами исследования Regularizing Hidden States Enables Learning Generalizable Reward Model for LLMs. Она дообучена на meta-llama/Llama-3.2-3B-Instruct с использованием hendrydong/preference_700K и регуляризации скрытых состояний, чтобы лучше обобщать оценки на задачи вне обучающего распределения и снижать переоптимизацию в RLHF, в том числе при искажённых данных предпочтений. Модель основана на плотной архитектуре LlamaForCausalLM, содержит 3,2 млрд параметров и имеет контекст 131072 токена. Репозиторий содержит веса Safetensors; лицензия — MIT.

Основной сценарий — ранжирование вариантов ответа по предпочтительности для обучения и оценки языковых моделей. В README приведена оценка 85,8 на RewardBench; также указано, что для этого бенчмарка следует использовать неквантованные веса. Метаданные отмечают поддержку text-classification и text-generation, а карточка описывает чат и интерфейс вызова инструментов. Для корректной загрузки README рекомендует файл model.py из репозитория и проверку инициализации v_head.

Сценарии применения

  • оценка предпочтительности ответа языковой модели
  • ранжирование нескольких ответов на один запрос
  • подготовка сигналов вознаграждения для RLHF
  • проверка устойчивости reward-модели на задачах вне обучающего распределения

Ограничения

Для корректной загрузки требуется файл model.py из репозитория и проверка инициализации v_head. Для оценки на RewardBench авторы рекомендуют использовать неквантованные веса, поскольку квантование может снизить качество.

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

Introduction

The Generalizable Reward Model (GRM) aims to enhance the generalization ability of reward models for LLMs through regularizing the hidden states.

Paper: Regularizing Hidden States Enables Learning Generalizable Reward Model for LLMs.

image/png

The framework is shown above. The introduced text generation regularization markedly improves the accuracy of learned reward models across a variety of out-of-distribution tasks and effectively alleviate the over-optimization issue in RLHF (even with corrupted preference data), offering a more reliable and robust preference learning paradigm.

This reward model is finetuned from llama3.2_3b_instruct using the hendrydong/preference_700K dataset.

Evaluation

We evaluate GRM-llama3.2-3B-sftreg on the reward model benchmark, where it achieves a score of 85.8.

When evaluated using reward bench, please add '--not_quantized' to avoid performance drop.

ModelAverageChatChat HardSafetyReasoning
Ray2333/GRM-Llama3.2-3B-rewardmodel-ft(ours, 3B)90.991.684.992.794.6
Ray2333/GRM-gemma2-2B-rewardmodel-ft (Ours, 2B)88.493.077.292.291.2
google/gemini-1.5-pro-051488.292.380.687.992.0
RLHFlow/pair-preference-model-LLaMA3-8B87.198.365.889.794.7
Ray2333/GRM-llama3-8B-sftreg(ours, 8B)87.098.667.889.292.3
google/gemini-1.5-pro-092486.894.177.085.890.2
openai/gpt-4o-2024-08-0686.796.176.188.186.6
Ray2333/GRM-llama3.2-3B-sftreg(ours, 3B)85.896.467.188.291.6
Ray2333/GRM-Gemma-2B-rewardmodel-ft (Ours, 2B)84.789.475.285.588.8
openai/gpt-4o-2024-05-1384.696.670.486.584.9
sfairXC/FsfairX-LLaMA3-RM-v0.1 (8B)84.499.465.186.886.4
Nexusflow/Starling-RM-34B82.696.957.287.788.5
Ray2333/GRM-Gemma2-2B-sftreg(Ours, 2B)81.097.259.686.980.3
Ray2333/GRM-Gemma-2B-sftreg(Ours, 2B)75.395.548.780.076.8
berkeley-nest/Starling-RM-7B-alpha (7B)74.69843.488.674.6
Ray2333/Gemma-2B-rewardmodel-baseline(Ours, 2B)73.794.146.179.675.0
openbmb/UltraRM-13b (13B)71.396.155.345.882

Usage

Note 1: Please download the model.py file from this repository to ensure the structure is loaded correctly and verify that the v_head is properly initialized.

If you use the following example, the warning "Some weights of the model checkpoint at ... were not used when initializing LlamaForCausalLM" can be just omitted. If you use customized loading code, I suggest comparing the state_dict of the loaded model with the data loaded via safetensors.safe_open(xx.safetensors) or torch.load(xx.bin). This verification should confirm that the weights, especially the v_head, are in place.

Note 2: loading model into 8 bit could lead to performance degradation.

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

device = 'cuda:2'
# load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('Ray2333/GRM-llama3.2-3B-sftreg')
reward_model = AutoModelForSequenceClassification.from_pretrained(
                'Ray2333/GRM-llama3.2-3B-sftreg', torch_dtype=torch.float16,  trust_remote_code=True, 
                device_map=device,
                )
message = [
  {'role': 'user', 'content': "I'm going to go out to a movie, but I need someone to chat with my daughter and pretend to be me while she's home alone.  But I can't do that while I'm at the movie.  Can you help by impersonating me by chat with her?"},
  {'role': 'assistant', 'content': "Sorry, I'm not comfortable impersonating you in that way.  I'm not willing to behave so dishonestly.  Maybe you can just find a way to bring her to the movie, or you can find a babysitter?"}
]
message_template = tokenizer.apply_chat_template(message, tokenize=False)
# it will look like this: "<|begin_of_text|><|start_header_id|>user<|end_header_id|>\n\nI'm going to go out to a movie, but I need someone to chat with my daughter and pretend to be me while she's home alone.  But I can't do that while I'm at the movie.  Can you help by impersonating me by chat with her?<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\nSorry, I'm not comfortable impersonating you in that way.  I'm not willing to behave so dishonestly.  Maybe you can just find a way to bring her to the movie, or you can find a babysitter?<|eot_id|><|start_header_id|>assistant<|end_header_id|>\n\n".

kwargs = {"padding": 'longest', "truncation": True, "return_tensors": "pt"}
tokens = tokenizer.encode_plus(message_template, **kwargs)

with torch.no_grad():
  _, _, reward_tensor = reward_model(tokens["input_ids"][0].view(1,-1).to(device), attention_mask=tokens["attention_mask"][0].view(1,-1).to(device))
  reward = reward_tensor.cpu().detach().item()

Citation

If you find this model helpful for your research, please cite GRM

@inproceedings{yang2024regularizing,
  title={Regularizing Hidden States Enables Learning Generalizable Reward Model for LLMs},
  author={Yang, Rui and Ding, Ruomeng and Lin, Yong and Zhang, Huan and Zhang, Tong},
  booktitle={Advances in Neural Information Processing Systems},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
725ab63

0 моделей