/ Модель

Характеристики

Контекст
131 072 токена
Параметры
69,5 млрд
Размер весов
141 ГБ
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-Tulu-3-70B-DPO
Библиотека
transformers
Опубликована
20 ноя 2024

Llama-3.1-Tulu-3-70B

Генерация текстаТекст → текст13 профессий

Англоязычная диалоговая модель AI2 на базе Llama 3.1 для следования инструкциям, генерации текста и решения математических задач.

643скачиваний за 30 дней61лайквеса обновлены10 фев 2025

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.

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,6157

    text-generation 0,6164
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,8379

    text-generation 0,8291
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4988

    text-generation 0,4948
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,4656

    text-generation 0,4645
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,4502

    text-generation 0,3829
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,3733

    text-generation 0,3733
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Llama-3.1-Tulu-3-70B — англоязычная диалоговая модель Allen Institute for AI (AI2), основанная на архитектуре Llama 3.1 и дообученная на модели allenai/Llama-3.1-Tulu-3-70B-DPO. Это плотная causal language model с 69,5 млрд параметров; карточка указывает контекст до 131 072 токенов и загрузку через Transformers. Модель входит в семейство Tülu 3, для которого AI2 публикует данные, код и рецепты постобучения.

Модель предназначена для диалогов и следования инструкциям, генерации текста, математических задач и проверки выполнения сложных инструкций. В карточке упомянуты MATH, GSM8K и IFEval. Основной язык — английский. Лицензия — Llama 3.1 Community License Agreement.

У модели ограничено обучение безопасности; она может выдавать проблемные ответы, особенно при соответствующих запросах. Для надёжного применения в пользовательских сценариях следует учитывать необходимость фильтрации ответов. README рекомендует для запуска через vLLM ограничивать длину модели до 8192 токенов из-за длинного шаблона диалога, хотя метаданные указывают нативный контекст 131 072 токена.

Сценарии применения

  • ответы на вопросы в диалоге на английском языке
  • выполнение пользовательских инструкций и форматирование ответов
  • решение задач по математике и арифметике
  • оценка следования инструкциям в тестах типа IFEval
  • генерация текста для англоязычных приложений

Ограничения

Обучение безопасности ограничено, поэтому модель может выдавать проблемные ответы, особенно при соответствующих запросах. README рекомендует учитывать длинный шаблон диалога при запуске через vLLM; для такого способа приведена рекомендация max_model_len=8192.

Для каких профессий подходит13

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

Llama-3.1-Tulu-3-70B

Tülu 3 is a leading instruction following model family, offering a post-training package with fully open-source data, code, and recipes designed to serve as a comprehensive guide for modern techniques. This is one step of a bigger process to training fully open-source models, like our OLMo models. Tülu 3 is designed for state-of-the-art performance on a diversity of tasks in addition to chat, such as MATH, GSM8K, and IFEval.

Model description

  • Model type: A model trained on a mix of publicly available, synthetic and human-created datasets.
  • Language(s) (NLP): Primarily English
  • License: Llama 3.1 Community License Agreement
  • Finetuned from model: allenai/Llama-3.1-Tulu-3-70B-DPO

Model Sources

Model Family

StageLlama 3.1 8BLlama 3.1 70B
Base Modelmeta-llama/Llama-3.1-8Bmeta-llama/Llama-3.1-70B
SFTallenai/Llama-3.1-Tulu-3-8B-SFTallenai/Llama-3.1-Tulu-3-70B-SFT
DPOallenai/Llama-3.1-Tulu-3-8B-DPOallenai/Llama-3.1-Tulu-3-70B-DPO
Final Models (RLVR)allenai/Llama-3.1-Tulu-3-8Ballenai/Llama-3.1-Tulu-3-70B
Reward Model (RM)allenai/Llama-3.1-Tulu-3-8B-RM(Same as 8B)
StageLlama 3.1 405B
Base Modelmeta-llama/llama-3.1-405B
SFTallenai/llama-3.1-Tulu-3-405B-SFT
DPOallenai/llama-3.1-Tulu-3-405B-DPO
Final Model (RLVR)allenai/llama-3.1-Tulu-3-405B
Reward Model (RM)(Same as 8B)

Using the model

Loading with HuggingFace

To load the model with HuggingFace, use the following snippet:

from transformers import AutoModelForCausalLM

tulu_model = AutoModelForCausalLM.from_pretrained("allenai/Llama-3.1-Tulu-3-70B")

VLLM

As a Llama base model, the model can be easily served with:

vllm serve allenai/Llama-3.1-Tulu-3-70B

Note that given the long chat template of Llama, you may want to use --max_model_len=8192.

Chat template

The chat template for our models is formatted as:

<|user|>\nHow are you doing?\n<|assistant|>\nI'm just a computer program, so I don't have feelings, but I'm functioning as expected. How can I assist you today?<|endoftext|>

Or with new lines expanded:

<|user|>
How are you doing?
<|assistant|>
I'm just a computer program, so I don't have feelings, but I'm functioning as expected. How can I assist you today?<|endoftext|>

It is embedded within the tokenizer as well, for tokenizer.apply_chat_template.

System prompt

In Ai2 demos, we use this system prompt by default:

You are Tulu 3, a helpful and harmless AI Assistant built by the Allen Institute for AI.

The model has not been trained with a specific system prompt in mind.

Bias, Risks, and Limitations

The Tülu3 models have limited safety training, but are not deployed automatically with in-the-loop filtering of responses like ChatGPT, so the model can produce problematic outputs (especially when prompted to do so). It is also unknown what the size and composition of the corpus was used to train the base Llama 3.1 models, however it is likely to have included a mix of Web data and technical sources like books and code. See the Falcon 180B model card for an example of this.

Performance

Note, see the updated version of the paper for the latest, fixed evaluations that improve scores for models such as Qwen 2.5 Instruct.

Benchmark (eval)Tülu 3 SFT 8BTülu 3 DPO 8BTülu 3 8BLlama 3.1 8B InstructQwen 2.5 7B InstructMagpie 8BGemma 2 9B InstructMinistral 8B Instruct
Avg.60.464.464.862.257.844.755.258.3
MMLU (0 shot, CoT)65.968.768.271.276.662.074.668.5
PopQA (15 shot)29.329.329.120.218.122.528.320.2
TruthfulQA (6 shot)46.856.155.055.163.157.061.455.5
BigBenchHard (3 shot, CoT)67.965.866.062.821.70.92.556.2
DROP (3 shot)61.362.562.661.554.449.458.856.2
MATH (4 shot CoT, Flex)31.542.043.742.514.85.129.840.0
GSM8K (8 shot, CoT)76.284.387.683.483.861.279.780.0
HumanEval (pass@10)86.283.983.986.393.175.471.791.0
HumanEval+ (pass@10)81.478.679.282.989.769.167.088.5
IFEval (prompt loose)72.881.182.480.674.738.869.956.4
AlpacaEval 2 (LC % win)12.433.534.524.229.049.043.731.4
Safety (6 task avg.)93.187.285.575.275.046.475.556.2
Benchmark (eval)Tülu 3 70B SFTTülu 3 DPO 70BTülu 3 70BLlama 3.1 70B InstructQwen 2.5 72B InstructHermes 3 Llama 3.1 70BNemotron Llama 3.1 70B
Avg.72.675.976.073.471.568.365.5
MMLU (0 shot, CoT)78.983.383.185.385.580.483.8
PopQA (15 shot)48.646.346.546.430.648.136.4
TruthfulQA (6 shot)55.767.967.666.869.966.562.6
BigBenchHard (3 shot, CoT)82.781.882.073.867.282.10.7
DROP (3 shot)77.274.174.377.034.273.268.8
MATH (4 shot CoT, Flex)53.762.363.056.474.341.955.0
GSM8K (8 shot, CoT)91.193.593.593.789.590.084.7
HumanEval (pass@10)92.992.492.493.694.089.694.1
HumanEval+ (pass@10)87.388.488.089.590.885.985.5
IFEval (prompt loose)82.182.683.288.087.676.079.9
AlpacaEval 2 (LC % win)26.349.649.833.447.728.466.1
Safety (6 task avg.)94.489.088.376.587.057.969.0
Benchmark (eval)Tülu 3 405B SFTTülu 3 405B DPOTülu 3 405BLlama 3.1 405B InstructNous Hermes 3 405BDeepseek V3GPT 4o (11-24)
Avg w/o Safety76.379.080.078.174.479.080.5
Avg w/ Safety77.579.680.779.073.575.981.6
MMLU (5 shot, CoT)84.486.687.088.084.982.187.9
PopQA (3 shot)55.755.455.552.954.244.953.6
BigBenchHard (0 shot, CoT)88.088.888.687.187.789.583.3
MATH (4 shot, Flex)63.459.967.366.658.472.568.8
GSM8K (8 shot, CoT)93.694.295.595.492.794.191.7
HumanEval (pass@10)95.797.295.995.992.394.697.0
HumanEval+ (pass@10)93.393.992.990.386.991.692.7
IFEval (prompt loose)82.485.086.088.481.988.084.8
AlpacaEval 2 (LC % win)30.449.851.438.530.253.565.0
Safety (6 task avg.)87.785.586.786.865.872.290.9

Hyperparamters

PPO settings for RLVR:

  • Learning Rate: 1 × 10⁻⁷
  • Discount Factor (gamma): 1.0
  • General Advantage Estimation (lambda): 0.95
  • Mini-batches (N_mb): 1
  • PPO Update Iterations (K): 4
  • PPO's Clipping Coefficient (epsilon): 0.2
  • Value Function Coefficient (c1): 0.1
  • Gradient Norm Threshold: 1.0
  • Learning Rate Schedule: Linear
  • Generation Temperature: 1.0
  • Batch Size (effective): 640
  • Max Token Length: 2,048
  • Max Prompt Token Length: 2,048
  • Penalty Reward Value for Responses without an EOS Token: -10.0
  • Response Length: 2,048
  • Total Episodes: 100,000
  • KL penalty coefficient (beta): 0.07
  • Warm up ratio (omega): 0.1

License and use

All Llama 3.1 Tülu3 models are released under Meta's Llama 3.1 Community License Agreement. Llama 3.1 is licensed under the Llama 3.1 Community License, Copyright © Meta Platforms, Inc. Tülu3 is intended for research and educational use. For more information, please see our Responsible Use Guidelines.

The models have been fine-tuned using a dataset mix with outputs generated from third party models and are subject to additional terms: Gemma Terms of Use and Qwen License Agreement (models were improved using Qwen 2.5).

Citation

If Tülu3 or any of the related materials were helpful to your work, please cite:

@article{lambert2024tulu3,
  title = {Tülu 3: Pushing Frontiers in Open Language Model Post-Training},
  author = {
    Nathan Lambert and 
    Jacob Morrison and 
    Valentina Pyatkin and 
    Shengyi Huang and 
    Hamish Ivison and 
    Faeze Brahman and 
    Lester James V. Miranda and 
    Alisa Liu and 
    Nouha Dziri and 
    Shane Lyu and 
    Yuling Gu and 
    Saumya Malik and 
    Victoria Graf and 
    Jena D. Hwang and 
    Jiangjiang Yang and
    Ronan Le Bras and
    Oyvind Tafjord and
    Chris Wilhelm and
    Luca Soldaini and 
    Noah A. Smith and 
    Yizhong Wang and 
    Pradeep Dasigi and 
    Hannaneh Hajishirzi
  },
  year = {2024},
  email = {tulu@allenai.org}
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
cfc1d85

0 моделей