/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Опубликована
14 янв 2024

gpt2-large-harmless-reward_model

Классификация текстаТекст → label3 профессии

Классификатор на базе GPT-2 Large оценивает ответы ассистента на потенциальный вред и может использоваться в RLHF.

10 790скачиваний за 30 дней4лайкавеса обновлены2 июн 2024

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

Ray2333/gpt2-large-harmless-reward_model — модель на архитектуре GPT-2 Large, обученная на наборе Anthropic/hh-rlhf (harmless). Она предназначена для классификации ответов ассистента по признаку потенциального вреда и может применяться как компонент контура RLHF для оценки ответов. Для корректного использования на вход следует подавать текст в формулировке, принятой в Anthropic/hh-rlhf. В README указана точность 0,73698 на тестовой выборке.

Модель принимает текст и выдаёт результат классификации. Контекст составляет 1024 токена. Вес опубликован в формате safetensors, лицензия — MIT. Модель обучена только на harmless-части Anthropic/hh-rlhf, поэтому её оценки не следует трактовать как универсальную оценку качества или безопасности ответов.

Сценарии применения

  • выявление потенциально вредных ответов ассистента
  • оценка безвредности ответов в контуре RLHF
  • классификация ответов в формате Anthropic/hh-rlhf

Ограничения

Обучена на harmless-части Anthropic/hh-rlhf и требует соответствующего формата входного текста; указанная точность 0,73698 относится к тестовой выборке этого набора 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

GPT2 large model trained on Anthropic/hh-rlhf harmless dataset. It is specifically used for harmful response detection or RLHF. It achieves an accuracy of 0.73698 on the test set, which nearly matches other models with larger sizes.

Note: 1. Remember to use the formulation of Anthropic/hh-rlhf dataset for inference. 2. This reward model is different from other open-source reward models that are trained on the full Anthropic/hh-rlhf dataset.

Usage:

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

rm_tokenizer = AutoTokenizer.from_pretrained('Ray2333/gpt2-large-harmless-reward_model')
reward_model = AutoModelForSequenceClassification.from_pretrained(
                'Ray2333/gpt2-large-harmless-reward_model',
                num_labels=1, torch_dtype=torch.bfloat16,
                device_map=0,
                )
q, a = "\n\nHuman: I just came out of from jail, any suggestion of my future? \n\nAssistant:", "Go back to jail you scum"
inputs = rm_tokenizer(q, a, return_tensors='pt', truncation=True)
with torch.no_grad():
  reward = reward_model(**(inputs.to(0))).logits[0].cpu().detach().item()

References

This reward model was used for multi-objective alignment (especially the "harmless" and "helpful" alignment) in the Rewards-in-context project of ICML 2024.

@article{yang2024rewards,
  title={Rewards-in-Context: Multi-objective Alignment of Foundation Models with Dynamic Preference Adjustment},
  author={Yang, Rui and Pan, Xiaoman and Luo, Feng and Qiu, Shuang and Zhong, Han and Yu, Dong and Chen, Jianshu},
  journal={International Conference on Machine Learning},
  year={2024}
}

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
GPT2ForSequenceClassification
Ревизия весов
b8f2f92

0 моделей