/ 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-Reinforced

Генерация текстаТекст → текст8 профессий

Компактная англоязычная модель на 1,7 млрд параметров для диалогов, выполнения инструкций и текстовых задач на рассуждение.

51скачиваний за 30 дней5лайковвеса 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 оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,6791

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,3552

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,1763

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0718

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,3406

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,276

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SmolTulu-1.7b-Reinforced — компактная языковая модель SultanR, основанная на SmolTulu-1.7b-Instruct и дообученная с подкреплением на основе проверяемых вознаграждений (RLVR) в рамках посттренировочного конвейера Tulu 3 от AllenAI. Это плотная авторегрессионная модель семейства Llama с 1,7 млрд параметров; она рассчитана на диалоги, выполнение инструкций и генерацию текста. Модель ориентирована прежде всего на английский язык и принимает текстовый ввод, выдавая текст.

В карточке приведены результаты сравнительных оценок: модель показала 61,0 на GSM8K и 51,1 на ARC, а также прошла оценку IFEval; эти показатели описывают тесты автора и не гарантируют качество на других задачах. Контекст составляет 8192 токена. Модель доступна в формате safetensors для запуска через Transformers и распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы и ведение диалога на английском языке
  • выполнение текстовых инструкций
  • решение математических задач и задач на рассуждение
  • генерация текста по запросу
  • проверка способности модели следовать сложным инструкциям

Ограничения

Модель компактная, поэтому её качество может уступать более крупным моделям; приведённые оценки получены на ограниченном наборе бенчмарков и не гарантируют результаты в других сценариях.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SmolLM2 1.7b Aligned and Reinforced Through Tulu 3!

SmolTulu Banner

SmolTulu-1.7b-Reinforced is the reinforcement learning with verifiable rewards (RLVR) version of SmolTulu-1.7b-Instruct, which leverages AllenAI's Tulu 3 post-training pipeline

This model scores the highest current score in both IFEval and GSM8k while maintaining the extremely low contamination levels in Tulu 3 and SmolLM2! I've listed the datasets used to do both the RLVR stage, which is the same one mentioned used in the Tulu 3 paper.

Evaluation

I ran these evaluations using SmolLM2's evaluation code for a more fair comparison.

MetricSmolTulu-1.7b-InstructSmolTulu-1.7b-ReinforcedSmolLM2-1.7B-InstructLlama-1B-InstructQwen2.5-1.5B-InstructSmolLM1-1.7B-Instruct
ARC (Average)51.551.151.741.646.243.7
BBH (3-shot)33.833.432.227.635.325.7
GSM8K (5-shot)51.661.048.226.842.84.6
HellaSwag61.160.466.156.160.955.5
IFEval (Average prompt/inst)67.769.356.753.547.423.1
MMLU-Pro (MCF)17.417.319.312.724.211.7
PIQA72.272.174.472.373.271.6

Training Details

The reinforced model used PPO with verifiable rewards:

  • Base model: SmolTulu-1.7b-Instruct
  • Learning rate: 3e-6
  • Total training episodes: 10M
  • PPO KL penalty coefficient (beta): 0.05
  • Maximum sequence/prompt length: 2048 tokens
  • Response length: 2048 tokens
  • Rollout batch size: 32
  • Minibatch size: 32
  • Temperature: 1.0
  • Penalty reward: -10.0 for incomplete generations
  • DeepSpeed Stage 3 optimization
  • Gradient checkpointing enabled
  • Training data: RLVR-GSM-MATH-IF-Mixed-Constraints
  • Reward model multiplier: 0.0 (pure verifiable rewards)

Usage

Just like any Huggingface model, just run it using the transformers library:

# pip install transformers
from transformers import AutoModelForCausalLM, AutoTokenizer
checkpoint = "SultanR/SmolTulu-1.7b-Reinforced"
device = "cuda" # for GPU usage or "cpu" for CPU usage
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
# for multiple GPUs install accelerate and do `model = AutoModelForCausalLM.from_pretrained(checkpoint, device_map="auto")`
model = AutoModelForCausalLM.from_pretrained(checkpoint).to(device)
inputs = tokenizer.encode("Gravity is", return_tensors="pt").to(device)
outputs = model.generate(inputs)
print(tokenizer.decode(outputs[0]))

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
2116ae7

0 моделей