/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,2 ГБ
Лицензия
MIT
Архитектура
mistral · dense
Библиотека
transformers
Опубликована
21 мар 2024

reward-model-Mistral-7B-instruct-Unified-Feedback

Классификация текстаТекст → label3 профессии

Англоязычная reward-модель на базе Mistral с 7,1 млрд параметров для оценки ответов и моделирования человеческих предпочтений при выравнивании LLM.

265скачиваний за 30 дней11лайковвеса обновлены5 фев 2025

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/reward-model-Mistral-7B-instruct-Unified-Feedback — модель вознаграждения, разработанная Ray2333 путём дообучения Mistral-7B-Instruct-v0.2 на наборе предпочтений llm-blender/Unified-Feedback. Она оценивает ответы и подходит для моделирования человеческих предпочтений и выравнивания больших языковых моделей; автор сообщает о точности 0,7740 на тестовых наборах и приводит результаты сравнения с другими reward-моделями.

Модель использует плотную архитектуру MistralForSequenceClassification, содержит 7,1 млрд параметров и работает с контекстом до 32 768 токенов. Репозиторий содержит веса в формате safetensors; модель рассчитана на английский язык. Лицензия — MIT. Она предназначена для оценки и ранжирования ответов в контурах обучения и выравнивания, а не для непосредственной генерации пользовательских ответов.

Сценарии применения

  • оценка качества ответов языковой модели
  • сравнение вариантов ответа по человеческим предпочтениям
  • подготовка оценок для выравнивания LLM
  • ранжирование ответов в обучающем пайплайне

Ограничения

Предназначена для оценки предпочтений и выравнивания, а не для генерации ответов. Заявленные результаты оценки зависят от тестовых наборов и не гарантируют качество для иных данных или сценариев.

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 reward model finetunes mistralai/Mistral-7B-Instruct-v0.2 on the 'llm-blender/Unified-Feedback' dataset. This model achieves an accuracy of 0.7740 on the test sets, making it a good proxy reward model for modeling human preferences and can be used for aligning LLMs.

The Unified-Feedback dataset contains diverse preference data from prior open-source datasets including:

  • openai/summarize_from_feedback
  • openai/webgpt_comparisons
  • Dahoas/instruct-synthetic-prompt-responses
  • Anthropic/hh-rlhf
  • lmsys/chatbot_arena_conversations
  • openbmb/UltraFeedback
  • argilla/ultrafeedback-binarized-preferences-cleaned
  • berkeley-nest/Nectar.

Training Code and Blog

We merge the training script at https://github.com/WeiXiongUST/RLHF-Reward-Modeling, which is based on the trl package. In addition, this blog introduces some basic knowledge and shares experimental experience.

Evaluation

We evaluate this reward model on the reward model benchmark, which demonstrates that this model is close to current best 7B reward model and outperforms prior SOTA reward models such as openbmb/UltraRM-13b and berkeley-nest/Starling-RM-7B-alpha.

ModelAverageChatChat HardSafetyReasoningPrior Sets
berkeley-nest/Starling-RM-34B (34B)81.596.95989.990.371.4
Ray2333/reward-model-Mistral-7B-instruct-Unified-Feedback(Ours, 7B)78.7597.8452.8585.9487.0273.92
berkeley-nest/Starling-RM-7B-alpha (7B)74.69843.488.674.668.6
openbmb/UltraRM-13b (13B)71.396.155.345.88277.2
IDEA-CCNL/Ziya-LLaMA-7B-Reward (7B)668841.362.573.764.6
OpenAssistant/oasst-rm-2.1-pythia-1.4b-epoch-2.5 (1.4B)65.188.547.962.161.465.8
OpenAssistant/oasst-rm-2-pythia-6.9b-epoch-1 (7B)6494.436.659.47059.4
llm-blender/PairRM-hf (0.4B)60.990.25331.56069.6

Usage

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('Ray2333/reward-model-Mistral-7B-instruct-Unified-Feedback')
reward_model = AutoModelForSequenceClassification.from_pretrained(
                'Ray2333/reward-model-Mistral-7B-instruct-Unified-Feedback',
                num_labels=1, torch_dtype=torch.float16,
                device_map=0,
                )
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: "<s><s> [INST] 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? [/INST]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?</s>"

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

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

Citation

This reward model is used as a gold reward model for the following research https://arxiv.org/abs/2406.10216. If you find this model helpful for your research, please cite

@article{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},
  journal={arXiv preprint arXiv:2406.10216},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
MistralForSequenceClassification
Ревизия весов
34a2011

0 моделей