/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
FsfairX-LLaMA3-RM-v0.1
Библиотека
pytorch
Опубликована
16 сен 2026

DRM

Классификация текстаТекст → label

DRM — модель вознаграждения на базе Llama 3, которая оценивает ответы языковых моделей по предпочтениям и нескольким атрибутам, моделируя распределение оценок.

0скачиваний за 30 дней6лайковвеса обновлены29 сен 2026

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

Teburile/DRM — публикация чекпойнтов DRM-Multi-8B и DRM-Pref-8B, моделей вознаграждения для оценки ответов языковых моделей. Модель разработана на основе FsfairX-LLaMA3-RM-v0.1: замороженный текстовый энкодер на 7,5 млрд параметров передаёт представление компактной Diffusion Transformer-голове RewardDiT примерно на 12 млн параметров. Диффузия формирует распределение векторов оценок, а не генерирует текст; выборки позволяют получить итоговый балл, оценку неопределённости или риск-чувствительную статистику.

DRM-Multi-8B оценивает 19 атрибутов по многокритериальной разметке, а DRM-Pref-8B выдаёт одномерную оценку предпочтения и обучена в том числе с Bradley–Terry loss. Модель предназначена для ранжирования ответов, анализа предпочтений и использования в исследовательских контурах RLHF и настройки вознаграждения. В карточке приведены результаты на нескольких бенчмарках, но авторы отмечают, что модель не лидирует на каждом из них и уступает сильнейшим моделям, обученным на большем масштабе.

Для инференса указаны 10 шагов DDIM и 32 выборки; качество ранжирования чувствительно к числу шагов. Модель принимает текст и выдаёт числовые оценки и связанные с ними статистики. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • ранжирование нескольких ответов языковой модели
  • оценка предпочтительности ответа для RLHF
  • получение многокритериальных оценок ответа
  • оценка неопределённости вознаграждения по выборкам
  • сравнение качества ответов на предпочтительных парах

Ограничения

Модель уступает некоторым более масштабным моделям вознаграждения и не лидирует на всех бенчмарках. Точность ранжирования зависит от числа шагов DDIM; также возможны унаследованные смещения обучающих данных и reward hacking при оптимизации без контроля.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Diffusion Reward Models

This repository provides the released DRM-Multi-8B and DRM-Pref-8B RewardDiT checkpoints.

Links

Introduction

DRM overview

DRM (Diffusion Reward Model) models the conditional reward distribution p(r | x, y) instead of reducing every prompt–response pair to a single point estimate or a fixed parametric family. A frozen LLM encoder conditions a lightweight Diffusion Transformer (RewardDiT), which denoises Gaussian noise into reward vectors. At inference time, multiple samples form an empirical distribution that can provide a scalar score, uncertainty estimate, or risk-sensitive statistic. DRM diffuses reward vectors, not text.

Both checkpoints use the frozen 7.5B-parameter FsfairX-LLaMA3-RM-v0.1 encoder and train only an approximately 12M-parameter RewardDiT head.

Checkpoints

ModelFileReward dimensionsSupervisionTraining data
DRM-Multi-8BDRM-Multi-8B/model.pth19Masked multi-attribute denoisingRLHFlow/ArmoRM-Multi-Objective-Data-v0.1
DRM-Pref-8BDRM-Pref-8B/model.pth1Denoising + Bradley–Terry preference lossallenai/llama-3.1-tulu-3-8b-preference-mixture

Shared architecture and inference defaults

  • Text embedding dimension: 4096
  • RewardDiT hidden size: 384
  • Depth: 3 blocks
  • Attention heads: 6
  • Dropout: 0.2
  • Diffusion schedule: squaredcos_cap_v2, 1000 training steps
  • Prediction type: epsilon
  • Inference: 10 DDIM steps, guidance scale 7, 32 reward samples

The released scorer does not use a gate model or reward-debiasing transform. It averages over sampled rewards and then over reward dimensions to produce one scalar per input.

How to Use

DRM uses a custom reward head and should be loaded through the released repository rather than AutoModelForCausalLM.

git clone https://github.com/thunlp/DRM.git
cd DRM
pip install -r requirements.txt

hf download Teburile/DRM DRM-Multi-8B/model.pth --local-dir checkpoints
hf download Teburile/DRM DRM-Pref-8B/model.pth --local-dir checkpoints

Score a prompt–response pair with DRM-Multi-8B:

python score_generator.py \
  --ckpt checkpoints/DRM-Multi-8B/model.pth \
  --prompt "User prompt" \
  --response "Assistant response"

Or use the pairwise-preference checkpoint:

python score_generator.py \
  --ckpt checkpoints/DRM-Pref-8B/model.pth \
  --prompt "User prompt" \
  --response "Assistant response"

See USAGE.md for the explicit inference arguments.

Training Details

DRM-Multi-8B

  • Training data: ArmoRM aggregated multi-attribute preferences, 19 attributes
  • Objective: masked denoising; unlabeled reward dimensions are excluded from the loss
  • Learning rate: 5e-5
  • Batch size: 64
  • Head training cost: approximately 1.11 GPU-hours, excluding encoder embedding generation

DRM-Pref-8B

  • Training data: Tulu3 pair-preference mixture
  • Objective: denoising loss + Bradley–Terry loss + reward L2 regularization
  • Bradley–Terry coefficient: 0.5
  • Reward regularization weight: 0.001
  • Learning rate: 5e-5
  • Batch size: 64

Experiments were conducted on NVIDIA A800-SXM4-80GB GPUs.

Evaluation

The table reports results across five benchmarks and six metrics. For ArmoRM, QRM, URM, and DRM-Multi-8B, the training data and FsfairX backbone are matched; only the reward head differs.

Reward ModelRewardBench v2PPE PrefPPE CorrRMB PairwiseRM-BenchJudgeBenchAvg.
ArmoRM-Llama3-8B-v0.166.560.661.464.667.753.262.3
QRM-Llama3.1-8B-v270.757.260.361.172.562.664.1
URM-LLaMa-3.1-8B73.960.260.465.772.064.166.1
DRM-Multi-8B65.662.563.878.068.858.666.2
DRM-Pref-8B65.763.062.578.268.157.165.8

DRM-Multi-8B improves the six-metric average by 3.9 points over ArmoRM and performs on par with parametric distributional reward heads without assuming an output family. It does not lead on every benchmark; for example, its RewardBench v2 score is 65.6, compared with 66.5 for ArmoRM.

Reward-axis scaling on RewardBench v2

Limitations

  • Not the strongest reward model in absolute terms. These models use a modest amount of open-source data and do not match the strongest reward models trained at larger, non-comparable scales.
  • Sampling steps are sensitive. Ten DDIM steps work well, while 50–100 steps degrade ranking accuracy; image-diffusion step counts should not be transferred directly.
  • Scaling remains untested. The released results use one 8B encoder and fixed data scales.
  • Standard reward-model risks apply. DRM may inherit biases from its training data and may be vulnerable to reward hacking when optimized without oversight.

Citation

@misc{wang2026diffusionrewardmodels,
      title={Diffusion Reward Models}, 
      author={Xiangyang Wang and Bingxiang He and Zeyuan Liu and Jiaze WangZiqing Qiao and Yuxin Zuo and Huan-ang Gao and Cheng Qian and Wenbin Zhang and Ran Li and Youbang Sun and Ning Ding and Yuanchun Shi and Zhiyuan Liu and Chaojun Xiao and Chun Yu},
      year={2026},
      eprint={2609.33803},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2609.33803}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · text-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
9245926

0 моделей