/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
15 ГБ
Лицензия
Llama 3
Архитектура
llama · dense
Опубликована
14 мая 2024

LLaMA-3-8B-SFR-RM-R

Классификация текстаТекст → label3 профессии

Модель вознаграждения Salesforce на базе Llama 3 оценивает ответы для ранжирования и использования в конвейерах RLHF.

581скачиваний за 30 дней11лайковвеса обновлены21 янв 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

LLaMA-3-8B-SFR-RM-R — модель вознаграждения, выпущенная Salesforce как часть линейки SFR-Iterative-DPO-LLaMA-3-8B-R. Это плотная модель классификации последовательностей на архитектуре Llama с 7,5 млрд параметров и контекстом до 8192 токенов; веса опубликованы в формате safetensors. Модель использует вариант reward modeling на основе Vanilla Bradley–Terry (BT) и предназначена для оценки ответов или предпочтений в сценариях обучения с подкреплением по обратной связи от людей (RLHF).

Модель можно применять для ранжирования вариантов ответа по оценке вознаграждения и как компонент конвейера RLHF. Salesforce указывает, что выпуск предназначен для исследований в поддержку академической статьи, а пригодность для конкретных применений, точность, безопасность и справедливость необходимо оценивать отдельно. Лицензия в метаданных обозначена как llama3.

Сценарии применения

  • оценка качества ответов языковой модели
  • ранжирование вариантов ответа по предпочтительности
  • формирование оценок вознаграждения для обучения RLHF

Ограничения

Выпуск предназначен для исследовательской работы и не оценён для всех прикладных сценариев; точность, безопасность и справедливость следует проверять перед внедрением. Оценка вознаграждения сама по себе не гарантирует качество или безопасность ранжируемых ответов.

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

LLaMA-3-8B-SFR-RM-R

This is the RM model for Salesforce/SFR-Iterative-DPO-LLaMA-3-8B-R. It is a Vanilla BT based Reward model.

Model Releases

Citation

Please cite our techical report if you find our model is useful for your research or product.

@misc{dong2024rlhf,
      title={RLHF Workflow: From Reward Modeling to Online RLHF}, 
      author={Hanze Dong and Wei Xiong and Bo Pang and Haoxiang Wang and Han Zhao and Yingbo Zhou and Nan Jiang and Doyen Sahoo and Caiming Xiong and Tong Zhang},
      year={2024},
      eprint={2405.07863},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

Ethics disclaimer for Salesforce AI models, data, code

This release is for research purposes only in support of an academic paper. Our models, datasets, and code are not specifically designed or evaluated for all downstream purposes. We strongly recommend users evaluate and address potential concerns related to accuracy, safety, and fairness before deploying this model. We encourage users to consider the common limitations of AI, comply with applicable laws, and leverage best practices when selecting use cases, particularly for high-risk scenarios where errors or misuse could significantly impact people’s lives, rights, or safety. For further guidance on use cases, refer to our standard AUP and AI AUP.

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
LlamaForSequenceClassification
Ревизия весов
9ccc6b2

0 моделей