/ Модель

Характеристики

Контекст
16 384 токена
Параметры
1,7 млрд
Архитектура
opensci · dense
Библиотека
transformers
Опубликована
21 авг 2026

open-sci-ref-v0.02-1.7b-nemotron-hq-mv_reasoning-100B-4096-longsft_16k-DPO-Tulu3-decontaminated

Генерация текстаТекст → текст4 профессии

Дообученная диалоговая языковая модель OpenSci на 1,7 млрд параметров для генерации ответов и продолжения текста с контекстом до 16 384 токенов.

50скачиваний за 30 дней0лайковвеса обновлены21 авг 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

Модель open-sci-ref-v0.02-1.7b-nemotron-hq-mv_reasoning-100B-4096-longsft_16k-DPO-Tulu3-decontaminated разработана ali-elganzory и представляет собой дообученную версию модели open-sci-ref-v0.02-1.7b-nemotron-hq-mv_reasoning-100B-4096-longsft_16k-SFT-Tulu3-decontaminated. Это плотная авторегрессионная языковая модель семейства OpenSci с 1,7 млрд параметров, рассчитанная на генерацию текста в диалоговом формате; обучение проводилось с помощью TRL.

Модель принимает текстовые сообщения и генерирует продолжение или ответ. Заявленная длина контекста — 16 384 токена. Карточка показывает пример запуска через Transformers pipeline для text-generation. Лицензия в доступных данных не приведена.

Сценарии применения

  • генерация ответов в текстовом диалоге
  • продолжение текста по заданному контексту
  • создание прототипа чат-бота
  • эксперименты с компактными языковыми моделями

Ограничения

В карточке не указаны поддерживаемые языки и лицензия. Качество и область применения модели отдельно не охарактеризованы.

Для каких профессий подходит4

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

Model Card for open-sci-ref-v0.02-1.7b-nemotron-hq-mv_reasoning-100B-4096-longsft_16k-DPO-Tulu3-decontaminated

This model is a fine-tuned version of ali-elganzory/open-sci-ref-v0.02-1.7b-nemotron-hq-mv_reasoning-100B-4096-longsft_16k-SFT-Tulu3-decontaminated. It has been trained using TRL.

Quick start

from transformers import pipeline

question = "If you had a time machine, but could only go to the past or the future once and never return, which would you choose and why?"
generator = pipeline("text-generation", model="None", device="cuda")
output = generator([{"role": "user", "content": question}], max_new_tokens=128, return_full_text=False)[0]
print(output["generated_text"])

Training procedure

This model was trained with DPO, a method introduced in Direct Preference Optimization: Your Language Model is Secretly a Reward Model.

Framework versions

  • TRL: 0.27.1
  • Transformers: 4.57.6
  • Pytorch: 2.6.0+cu126
  • Datasets: 4.8.4
  • Tokenizers: 0.22.2

Citations

Cite DPO as:

@inproceedings{rafailov2023direct,
    title        = {{Direct Preference Optimization: Your Language Model is Secretly a Reward Model}},
    author       = {Rafael Rafailov and Archit Sharma and Eric Mitchell and Christopher D. Manning and Stefano Ermon and Chelsea Finn},
    year         = 2023,
    booktitle    = {Advances in Neural Information Processing Systems 36: Annual Conference on Neural Information Processing Systems 2023, NeurIPS 2023, New Orleans, LA, USA, December 10 - 16, 2023},
    url          = {http://papers.nips.cc/paper_files/paper/2023/hash/a85b405ed65c6477a4fe8302b5e06ce7-Abstract-Conference.html},
    editor       = {Alice Oh and Tristan Naumann and Amir Globerson and Kate Saenko and Moritz Hardt and Sergey Levine},
}

Cite TRL as:

@misc{vonwerra2022trl,
	title        = {{TRL: Transformer Reinforcement Learning}},
	author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallou{\'e}dec},
	year         = 2020,
	journal      = {GitHub repository},
	publisher    = {GitHub},
	howpublished = {\url{https://github.com/huggingface/trl}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
OpensciForCausalLM
Ревизия весов
7060a05

0 моделей