/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Архитектура
llama · dense
Опубликована
17 мая 2024

SFR-Iterative-DPO-LLaMA-3-8B-R

Генерация текстаТекст → текст9 профессий

Диалоговая instruct-модель Salesforce на базе LLaMA 3, обученная онлайн-методом DPO для ответов на инструкции и чата.

231скачиваний за 30 дней1лайквеса обновлены24 мая 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

SFR-Iterative-DPO-LLaMA-3-8B-R — разговорная instruct-модель Salesforce на архитектуре LLaMA 3 с 7,5 млрд параметров. Она создана в рамках инициативы Salesforce по RLHF и обучена с использованием онлайн-рецепта на основе DPO; карточка также перечисляет выпуски SFT-, reward- и RLHF-моделей. Репозиторий содержит веса в формате safetensors, модель поддерживает чат и рассчитана на контекст до 8192 токенов.

Модель предназначена для диалоговых ответов и следования инструкциям. В README заявлены результаты на Alpaca-Eval-V2, MT-Bench и Chat-Arena-Hard, а также академических тестах; это заявления авторов, а не независимая оценка. Карточка описывает её как исследовательскую разработку Salesforce, но не приводит перечень поддерживаемых языков.

README предупреждает, что при враждебных запросах модель может выдавать оскорбительный или неэтичный контент. В README указана лицензия CC-BY-NC-ND-3.0, при этом автор текста утверждает, что корректной лицензией должна быть лицензия LLaMA 3; это расхождение следует учитывать при проверке условий использования.

Сценарии применения

  • ответы на пользовательские инструкции в диалоге
  • ведение многошагового чата
  • сравнение качества instruct-моделей на чат-бенчмарках

Ограничения

Автор предупреждает о вероятности оскорбительных или неэтичных ответов, особенно при враждебных запросах. В README есть расхождение между указанной лицензией CC-BY-NC-ND-3.0 и заявлением автора о лицензии LLaMA 3.

Для каких профессий подходит9

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

Original Salesforce Readme

I think they had the wrong license, which is why they deleted the original repos. The correct license would be the llama 3 license


license: cc-by-nc-nd-3.0

SFR-Iterative-DPO-Llama-3-8B-R

Introduction

We release a state-of-the-art instruct model of its class, SFR-Iterative-DPO-LLaMA-3-8B-R. On all three widely-used instruct model benchmarks: Alpaca-Eval-V2, MT-Bench, Chat-Arena-Hard, our model outperforms all models of similar size (e.g., LLaMA-3-8B-it), most large open-sourced models (e.g., Mixtral-8x7B-it), and strong proprietary models (e.g., GPT-3.5-turbo-0613). The model is trained with open-sourced datasets without any additional human-/GPT4-labeling.

Model Releases

Training methods

We have developed a simple and efficient online RLHF recipe for LLM instruct training. Our recipe is DPO-based and thus much cheaper and simpler to train and tune compared to PPO-based approaches. Unlike widely-used offline DPO, the online component of our approach effectively mitigates distribution shifts during policy optimization. For a detailed exposition, please refer to our accompanying technical report.

Chat Benchmarks

ModelSizeMethodLC Alpaca-Eval-V2MT-BenchChat-Arena-Hard
Small Open-Sourced Models
Gemma-7B-it7BSFT10.46.387.5
Zephyr-7B-beta7BVanilla DPO13.17.34-
Mistral-7B-v0.2-it7BSFT17.17.5112.6
Open-Chat-01067BSFT15.67.8-
Starling-7B-beta7BPPO25.88.1223.0
LLaMA-3-8B-it8BRS+DPO+PPO22.98.1620.6
Ours
Ours (SFT baseline)8BSFT10.27.695.6
Ours (DPO baseline)8BVanilla DPO22.58.1722.4
Ours (Online RLHF)8BIterative DPO37.28.4629.1
Large Open-Sourced Models
Vicuna-33b-v1.333BSFT17.67.128.6
Yi-34B-Chat34BSFT27.2-23.1
Mixtral-8x7B-it45B*SFT23.78.3023.4
Tulu-2-DPO-70B70BVanilla DPO21.27.8915.0
LLaMA-3-70B-it70BRS+DPO+PPO34.48.9541.1
Mixtral-8x22B-it141B*SFT30.98.6636.4
Proprietary Models
GPT-3.5-turbo-1106--19.38.3518.9
GPT-3.5-turbo-0613--22.78.3924.8
GPT-4-0613--30.29.1837.9
Claude-3-Opus--40.59.0060.4
GPT-4 Turbo (04/09)--55.0-82.6

Academic Benchmarks

ModelSizeMethodGSM-8KMMLUHumanEvalTruthfulQAARCMBPP
LLaMA-3-8B-it8BRS+DPO+PPO79.666.061.643.959.561.1
Ours (SFT baseline)8BSFT74.264.765.253.461.462.3
Ours (DPO baseline)8BVanilla DPO79.864.563.461.865.260.3
Ours (Iterative RLHF)8BIterative DPO80.765.364.660.464.360.8

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

device = "cuda" 

model = AutoModelForCausalLM.from_pretrained("Salesforce/SFR-Iterative-DPO-LLaMA-3-8B-R")
tokenizer = AutoTokenizer.from_pretrained("Salesforce/SFR-Iterative-DPO-LLaMA-3-8B-R")

messages = [
    {"role": "user", "content": "I'm trying to teach myself to have nicer handwriting. Can you help?"},
]

model_inputs = tokenizer.apply_chat_template(messages, return_tensors="pt")

model_inputs = model_inputs.to(device)
model.to(device)

output_tokens = model.generate(model_inputs, max_new_tokens=1024, do_sample=True)
model_outputs = tokenizer.batch_decode(output_tokens)
print(model_outputs[0])

Limitations

SFR-Iterative-DPO-LLaMA-3-8B-R is a research model developed as part of our RLHF initiative at Salesforce. While safety and ethical considerations are integral to our alignment process, there remains the possibility that the model could generate offensive or unethical content, particularly under adversarial conditions. We are committed to continuous improvement in our models to minimize such risks and encourage responsible usage.

Citation

Please cite our papers if you find our models are useful.

@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}
}

@misc{xiong2024iterative,
      title={Iterative Preference Learning from Human Feedback: Bridging Theory and Practice for RLHF under KL-Constraint}, 
      author={Wei Xiong and Hanze Dong and Chenlu Ye and Ziqi Wang and Han Zhong and Heng Ji and Nan Jiang and Tong Zhang},
      year={2024},
      eprint={2312.11456},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
347a2e3

0 моделей