/ Модель

Характеристики

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

Llama-3.1-Tulu-3-70B-SFT

Генерация текстаТекст → текст15 профессий

Англоязычная диалоговая модель AllenAI на базе Llama 3.1 70B для следования инструкциям, чата и решения задач, включая математические рассуждения.

360скачиваний за 30 дней7лайковвеса обновлены30 янв 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.

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,4624

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,5951

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,3448

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,3316

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,5026

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,8051

    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-SFT — англоязычная инструкция-следующая модель, разработанная AllenAI на основе Meta Llama 3.1 70B. Это плотная авторегрессионная Transformer-модель примерно на 69,5 млрд параметров, дообученная методом supervised fine-tuning на смеси открытых, синтетических и созданных людьми данных. Репозиторий содержит веса в формате safetensors; модель поддерживает контекст до 131 072 токенов и диалоговый шаблон для использования в чат-приложениях.

Модель предназначена для диалога и выполнения инструкций, а также для широкого круга задач, включая математические рассуждения и следование заданным форматам. Карточка приводит оценки на MATH, GSM8K и IFEval; опубликованные бенчмарки дают ориентир, но не гарантируют качество в конкретном применении. Разработчики отмечают, что модель в первую очередь рассчитана на английский язык.

У модели ограничено обучение безопасности, поэтому она может выдавать проблемный контент, особенно при соответствующих запросах; фильтрация ответов не встроена. Использование регулируется лицензией Llama 3.1 Community License Agreement.

Сценарии применения

  • ответы на вопросы в диалоговом интерфейсе
  • выполнение инструкций и форматирование ответов по заданным требованиям
  • решение математических задач и задач на рассуждение
  • создание чат-ассистента на английском языке
  • оценка способности LLM следовать инструкциям

Ограничения

Модель прошла ограниченное обучение безопасности и может выдавать проблемный контент; встроенная фильтрация ответов отсутствует. В первую очередь рассчитана на английский язык.

Для каких профессий подходит15

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-SFT

Tülu3 is a leading instruction following model family, offering fully open-source data, code, and recipes designed to serve as a comprehensive guide for modern post-training techniques. Tülu3 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: meta-llama/Llama-3.1-70B

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-SFT")

VLLM

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

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

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

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

SFT:

  • Learning Rate: 5E-6 (8B), 2E-6 (70B, 405B)
  • Effective Batch Size: 128 (8B, 70B), 256 (405B)
  • Max. Sequence Length: 4096
  • Loss Accumulation: Sum (see https://unsloth.ai/blog/gradient)
  • Learning Rate Schedule: Linear
  • LR Warmup Ratio: 0.03
  • Num. Epochs: 2

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.

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}
}

Open LLM Leaderboard Evaluation Results

Detailed results can be found here

MetricValue
Avg.38.72
IFEval (0-Shot)80.51
BBH (3-Shot)42.02
MATH Lvl 5 (4-Shot)32.40
GPQA (0-shot)12.64
MuSR (0-shot)24.49
MMLU-PRO (5-shot)40.27

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
f8ef341

0 моделей