/ Модель

Характеристики

Контекст
131 072 токена
Параметры
69,5 млрд
Размер весов
139 ГБ
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-Tulu-3-70B-SFT
Библиотека
transformers
Опубликована
2 июн 2025

Llama-3.1-Tulu-3-70B-SFT-RM-RB2

Классификация текстаТекст → label3 профессии

Англоязычный классификатор вознаграждения на базе Tulu 3 70B для оценки и сравнения ответов языковых моделей.

113скачиваний за 30 дней0лайковвеса обновлены4 июн 2025

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

Llama-3.1-Tulu-3-70B-SFT-RM-RB2 — англоязычная модель вознаграждения Allen Institute for AI, выпущенная в наборе чекпойнтов для разработки бенчмарка Reward Bench 2. Это классификатор на архитектуре Llama 3.1 с 69,5 млрд параметров, дообученный на бинарных данных о предпочтениях на основе allenai/Llama-3.1-Tulu-3-70B-SFT. В основной ревизии использованы объединённые данные; дополнительные ревизии содержат другие сочетания обучающих данных и гиперпараметров.

Модель оценивает предпочтительность ответа и подходит для сравнения вариантов ответа, ранжирования результатов и использования в экспериментах с обучением по сигналу вознаграждения, включая PPO и Best-of-N. README сообщает результат 72,2 на RewardBench 2 для основной ревизии. Модель обрабатывает текст и выдаёт классификационные оценки. Лицензия — Llama 3.1 Community License Agreement. Контекст модели — до 131 072 токенов.

Сценарии применения

  • оценка предпочтительности ответа чат-модели
  • сравнение двух ответов на один запрос
  • ранжирование ответов по предпочтительности
  • отбор ответов для Best-of-N генерации
  • сигнал вознаграждения для экспериментов с PPO

Ограничения

Модель обучена на бинарных данных о предпочтениях, поэтому её оценка отражает предпочтения обучающих данных и не гарантирует объективного качества ответа. Показатель RewardBench 2 приведён для основной ревизии; другие ревизии имеют иные результаты.

Для каких профессий подходит3

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 Llama-3.1-Tulu-3-70B-SFT-RM-RB2

Llama-3.1-Tulu-3-70B-SFT-RM-RB2 is one of 7 sets of reward models (RMs) released with Reward Bench 2. We have released a large set of 70 total reward model checkpoints that we used to develop the benchmark and correlate it with downstream PPO / Best-of-N performance.

Models | Code | Eval. Dataset v2 | Results v2 | Paper

Model Details

The model is a standard classifier, AutoModelForSequenceClassification within the HuggingFace ecosystem, trained on binary preference data. For each model in this batch the main revision is the best model we obtained for that base model, and we include all other training data and hyperparameter combinations in the revisions for further research.

To load a model from a revision, modify the following:

from transformers import AutoModelForSequenceClassification
rm = AutoModelForSequenceClassification("allenai/Llama-3.1-Tulu-3-70B-SFT-RM-RB2", revision="2")
RevisionTraining DataLearning RateNum EpochsRewardBench 2 ScoreFactualityPrecise IFMathSafetyFocusTies
mainCombined3e-6172.280.836.967.886.977.883.1
1Tulu3e-6166.279.632.565.683.163.273.1
2Tulu3e-6266.177.936.964.588.466.761.9

License

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

@misc{malik2025rewardbench2advancingreward,
      title={RewardBench 2: Advancing Reward Model Evaluation}, 
      author={Saumya Malik and Valentina Pyatkin and Sander Land and Jacob Morrison and Noah A. Smith and Hannaneh Hajishirzi and Nathan Lambert},
      year={2025},
      eprint={2506.01937},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2506.01937}, 
}

Model card contact: saumyam at allenai dot org

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
049cd00

0 моделей