/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-Tulu-3-8B-DPO
Библиотека
transformers
Опубликована
20 ноя 2024

Llama-3.1-Tulu-3-8B

Генерация текстаТекст → текст14 профессий

Tülu 3 — дообученная языковая модель AllenAI на 7,5 млрд параметров для диалогов, следования инструкциям и решения разнообразных текстовых задач.

5 838скачиваний за 30 дней178лайковвеса обновлены13 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.

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2987

    text-generation 0,297
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,405

    text-generation 0,4061
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,8267

    text-generation 0,8255
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,4175

    text-generation 0,4175
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,2827

    text-generation 0,2821
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,1964

    text-generation 0,2115
    Open LLM v2 · архив

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Llama-3.1-Tulu-3-8B — языковая модель семейства Tülu 3, разработанного Allen Institute for AI (AI2). Это плотная авторегрессионная модель на архитектуре Llama с 7,5 млрд параметров, дообученная на основе allenai/Llama-3.1-Tulu-3-8B-DPO. Она предназначена для диалогов и следования инструкциям, а также для решения широкого круга задач, включая математические вопросы и проверку следования заданным условиям. Модель работает с текстом, поддерживает английский язык и имеет контекстное окно до 131 072 токенов.

В карточке описана серия Tülu 3 как открытый пакет постобучения с данными, кодом и рецептами обучения; приведены результаты оценок на ряде бенчмарков. Модель можно загружать через Transformers и обслуживать с помощью vLLM. Указанная лицензия — Llama 3.1 Community License Agreement.

Разработчики отмечают, что модель прошла ограниченное обучение безопасности и может выдавать проблемный контент, особенно при соответствующих запросах. В README также советуют при запуске через vLLM учитывать длину шаблона чата и задавать max_model_len=8192.

Сценарии применения

  • ответы на вопросы в диалоге на английском языке
  • следование инструкциям и выполнение заданий с ограничениями
  • решение математических задач и задач на рассуждение
  • генерация текста по запросу
  • оценка ответов на бенчмарках понимания и следования инструкциям

Ограничения

Модель имеет ограниченное обучение безопасности и может выдавать проблемные ответы, особенно при провоцирующих запросах. При обслуживании через vLLM README рекомендует учитывать длинный шаблон чата и задавать max_model_len=8192.

Для каких профессий подходит14

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-3-8B

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-3-8B-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-3-8B")

VLLM

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

vllm serve allenai/Llama-3.1-Tulu-3-8B

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

PPO settings for RLVR:

  • Learning Rate: 3 × 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): 224
  • 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): 0.05
  • Warm up ratio (omega): 0.0

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}
}

Open LLM Leaderboard Evaluation Results

Detailed results can be found here! Summarized results can be found here!

MetricValue (%)
Average25.88
IFEval (0-Shot)82.55
BBH (3-Shot)16.86
MATH Lvl 5 (4-Shot)18.88
GPQA (0-shot)6.26
MuSR (0-shot)10.52
MMLU-PRO (5-shot)20.23

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
6669437

0 моделей