/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
15 ГБ
Лицензия
Llama 3.1
Архитектура
llama · dense
Базовая модель
Llama-3.1-Tulu-3-8B-SFT
Библиотека
transformers
Опубликована
2 июн 2025

Llama-3.1-Tulu-3-8B-SFT-RM-RB2

Классификация текстаТекст → label4 профессии

Англоязычная reward-модель AllenAI для оценки и сравнения текстовых ответов по предпочтениям.

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-3-8B-SFT-RM-RB2 — англоязычная модель оценки предпочтений, разработанная Allen Institute for AI и выпущенная в составе набора из семи reward-моделей для бенчмарка RewardBench 2. Это плотная модель-классификатор на архитектуре Llama с 7,5 млрд параметров, дообученная на бинарных данных о предпочтениях на базе allenai/Llama-3.1-Tulu-3-8B-SFT. Она принимает текст и оценивает его для задач сравнения или ранжирования ответов.

Сценарии применения

  • оценка качества ответа языковой модели
  • сравнение двух ответов по предпочтительности
  • ранжирование ответов для выбора лучшего
  • оценка ответов при обучении с подкреплением

Ограничения

Модель выдаёт классификационную оценку предпочтений, а не универсальный текстовый ответ. Метрики README относятся к RewardBench 2 и сами по себе не гарантируют качество на других данных или сценариях.

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

Model Card for Llama-3.1-Tulu-3-8B-SFT-RM-RB2

Llama-3.1-Tulu-3-8B-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-3-8B-SFT-RM-RB2", revision="2")
RevisionTraining DataLearning RateNum EpochsRewardBench 2 ScoreFactualityPrecise IFMathSafetyFocusTies
mainCombined3e-6268.273.338.857.989.888.960.6
1Combined3e-6167.975.640.662.883.180.664.8
2Combined3e-6167.774.340.061.284.280.466.3
3Skywork3e-6266.762.937.560.788.093.757.5
4Combined3e-6166.172.035.663.984.476.464.3
5Skywork3e-6366.165.940.060.790.988.750.3
6Skywork3e-6165.662.941.961.291.182.653.7
7Tulu3e-6263.574.335.662.381.171.356.1
8Tulu3e-6361.967.835.660.180.269.758.2
9Tulu3e-6161.273.740.062.380.460.250.7
10Tulu1e-6260.170.941.260.780.258.648.8
11Tulu3e-6160.070.337.562.378.759.851.7
12Tulu1e-6360.070.331.957.982.267.350.2
13Tulu3e-6160.071.833.860.780.063.250.3
14Tulu3e-6159.372.635.662.378.958.847.3
15Tulu3e-6159.173.540.062.874.060.443.9
16Tulu1e-6157.268.037.560.776.754.745.5
17Tulu2e-5155.665.735.659.675.357.440.3
18Tulu2e-5252.961.737.557.468.456.635.8
19Tulu2e-5349.857.331.251.964.962.231.1

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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
e74680f

0 моделей