/ Модель

Характеристики

Контекст
8 192 токена
Параметры
1,7 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
SmolTulu-1.7b-Instruct
Библиотека
transformers
Опубликована
16 дек 2024

SmolTulu-1.7b-RM

Генерация текстаТекст → текст3 профессии

Компактная англоязычная reward-модель на 1,7 млрд параметров для оценки и ранжирования ответов в чатах и обучения с проверяемыми наградами.

37скачиваний за 30 дней2лайкавеса обновлены17 дек 2024

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

SmolTulu-1.7b-RM — компактная reward-модель на 1,7 млрд параметров, разработанная SultanR на основе SmolTulu-1.7b-Instruct. Она оценивает ответы и предпочтения, чтобы инициализировать функцию ценности в обучении SmolTulu-1.7b-Reinforced с проверяемыми наградами (RLVR). Модель использует архитектуру LlamaForCausalLM и доступна в формате safetensors для библиотеки Transformers.

Модель обучена на данных предпочтений из набора allenai/llama-3.1-tulu-3-8b-preference-mixture по методологии Tulu 3, адаптированной для меньшего размера. Её можно применять для ранжирования и оценки качества ответов в чат-сценариях и для построения RLVR-конвейеров. Указанный контекст составляет 8192 токена, основной язык карточки — английский.

В приведённых оценках SmolTulu-1.7b-RM уступает reward-модели Tulu 3 на 8 млрд параметров, хотя показывает близкий результат на RB Chat. Лицензия — Apache-2.0. Карточка описывает оценочные показатели, но не приводит конкретный пример использования или подробности вывода оценки.

Сценарии применения

  • оценка качества ответов чат-модели
  • ранжирование вариантов ответа по предпочтительности
  • инициализация функции ценности для RLVR
  • сравнение ответов на бенчмарках reward-моделей

Ограничения

На приведённых бенчмарках модель уступает более крупной reward-модели Tulu 3 8B, особенно на RB Chat Hard и RB Safety. Карточка не описывает формат оценок и подробности инференса.

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

SmolLM2 1.7b Reward Model for RLVR Through Tulu 3!

SmolTulu Banner

SmolTulu-1.7b-RM is the reward model used to initialize the value function for SmolTulu-1.7b-Reinforced, which leverages AllenAI's Tulu 3 post-training pipeline for reinforcement learning with verifiable rewards (RLVR). This model was trained using the same preference datasets and methodology as outlined in the Tulu 3 paper, adapted for the smaller model size.

Evaluation

Evaluation results comparing SmolTulu-1.7b-RM against the Tulu 3 8b reward model on standard reward model benchmarks:

MetricSmolTulu-1.7b-RMTulu 3 8b RM
RB Chat94.1396.27
RB Chat Hard43.6455.92
RB Safety75.5484.05
RB Reasoning68.0176.50
RB Average72.4381.34
UFB73.1777.34

While the 1.7B reward model shows lower performance compared to the larger 8B model as expected, it still demonstrates strong capabilities across different evaluation categories, particularly in chat quality assessment.

Usage

The reward model can be used with the transformers library:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

checkpoint = "SultanR/SmolTulu-1.7b-RM"
device = "cuda" # for GPU usage or "cpu" for CPU usage

tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint).to(device)

# Example of computing reward for a completion
def get_reward(prompt, completion):
    inputs = tokenizer(prompt + completion, return_tensors="pt").to(device)
    reward = model(**inputs).logits[0].item()
    return reward

Training Details

The reward model was trained with the following settings:

  • Base model: SmolTulu-1.7b-Instruct
  • Mixed precision: bfloat16
  • Learning rate: 4e-5
  • Effective batch size: 4
  • Maximum sequence length: 2048 tokens
  • Maximum prompt length: 2048 tokens
  • Training epochs: 1
  • Training data: Tulu 3 8B preference mixture
  • Evaluation data: UltraFeedback (cleaned)
  • Gradient checkpointing enabled
  • DeepSpeed Zero-3 for memory optimization

Citation

@misc{alrashed2024smoltuluhigherlearningrate,
      title={SmolTulu: Higher Learning Rate to Batch Size Ratios Can Lead to Better Reasoning in SLMs}, 
      author={Sultan Alrashed},
      year={2024},
      eprint={2412.08347},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2412.08347}, 
}

The training methodology follows the Tulu 3 paper:

@article{lambert2024tulu3,
  title={TÜLU 3: Pushing Frontiers in Open Language Model Post-Training},
  author={Lambert, Nathan and Morrison, Jacob and Pyatkin, Valentina and others},
  year={2024},
  journal={arXiv preprint arXiv:2411.15124}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
dd6950d

0 моделей