/ Модель

Характеристики

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

Llama-3.1-Tulu-3-8B-RM

Классификация текстаТекст → label4 профессии

Англоязычная модель AI2 на базе Tülu 3 и Llama 3.1 для классификации и оценки текстовых последовательностей.

628скачиваний за 30 дней19лайковвеса обновлены30 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,1082

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,167

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,2567

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,3764

    Open LLM v2 · архив

    Публичная таблицадругая ревизия

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,295

    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-RM — англоязычная модель AI2 для оценки текста, дообученная на основе allenai/Llama-3.1-Tulu-3-8B-SFT. Это плотная модель семейства Llama с 7,5 млрд параметров; она загружается через Transformers как модель классификации последовательностей и доступна в форматах PyTorch и Safetensors. Для неё заявлено контекстное окно до 131 072 токенов.

Модель предназначена для классификации и оценки текстовых последовательностей; её можно применять в сценариях сравнения ответов и поддержки отбора предпочтительных вариантов. В карточке также описано семейство Tülu 3 как следующее инструкциям и решающее разнообразные задачи, но назначение именно этой версии — оценка текста. Основной язык — английский.

Модель обучена на смеси общедоступных, синтетических и созданных людьми данных. Карточка предупреждает об ограниченном обучении безопасности: без дополнительной фильтрации возможны проблемные выводы. Лицензия — Llama 3.1 Community License Agreement.

Сценарии применения

  • классификация текстовых последовательностей
  • оценка и ранжирование ответов по предпочтительности
  • отбор предпочтительных ответов в системе сравнения вариантов

Ограничения

Карточка отмечает ограниченное обучение безопасности; без дополнительной фильтрации модель может выдавать проблемный контент. Описанные общие возможности семейства Tülu 3 не следует считать гарантированными характеристиками этой модели оценки.

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

Llama-3.1-Tulu-3-8B-RM

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: allenai/Llama-3.1-Tulu-3-8B-SFT

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 AutoModelForSequenceClassification

tulu_model = AutoModelForSequenceClassification.from_pretrained("allenai/Llama-3.1-Tulu-3-8B-RM")

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.

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

Reward Modeling:

  • Learning Rate: 3E-6
  • Effective Batch Size: 256
  • Max. Sequence Length: 2048
  • Learning Rate Schedule: Linear
  • Num. Epochs: 1
  • Grad. Norm Threshold: 1.0

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}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
84e607a

0 моделей