/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
7,5 млрд
Размер весов
15 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
llama-3-tulu-2-8b
Опубликована
20 июн 2024

llama-3-tulu-2-8b-uf-mean-rm

Классификация текстаТекст → label3 профессии

Англоязычная reward-модель Llama 3 Tulu V2 оценивает ответы помощника для обучения RLHF и PPO.

489скачиваний за 30 дней0лайковвеса обновлены5 авг 2024

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 Tulu V2 8B RM — англоязычная reward-модель, разработанная AllenAI на базе allenai/llama-3-tulu-2-8b. Она оценивает ответы помощника и предназначена для использования в обучении с обратной связью от человека, в частности в PPO и RLHF. Модель имеет плотную архитектуру Llama для классификации последовательностей и содержит 7,5 млрд параметров; максимальная длина контекста — 2048 токенов.

Модель дообучена на данных UltraFeedback, включая раздел ultrafeedback_mean_aspects; в карточке также описан предварительный этап обучения на отфильтрованной смеси инструкций Tulu V2. В оценке RewardBench она получила 73,6 балла. Для подачи входа рекомендуется формат с сообщением и завершающим переводом строки, реализованный в шаблоне чата токенизатора.

Модель подходит для исследований и построения конвейеров обучения языковых помощников. Карточка указывает Apache 2.0, а также отмечает, что базовая Llama 3 распространяется по лицензии Meta Llama 3 Community License; перед использованием следует учитывать условия обеих лицензий.

Сценарии применения

  • оценка качества ответов языкового помощника
  • сравнение вариантов ответа по предпочтительности
  • обучение языковой модели методом PPO
  • подготовка сигналов вознаграждения для RLHF
  • исследование обучения по предпочтениям на UltraFeedback

Ограничения

Модель предназначена прежде всего для оценки ответов в обучающих конвейерах и не является универсальным чат-помощником. Её контекст ограничен 2048 токенами; карточка также отмечает сравнительно низкие оценки RewardBench в категориях Chat Hard и Safety относительно общего результата.

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 Tulu V2 8B RM - UltraFeedback

Tulu is a series of language models that are trained to act as helpful assistants. This is a 8B reward model used for PPO training trained on the UltraFeedback dataset.

For more details, read the paper: Unpacking DPO and PPO: Disentangling Best Practices for Learning from Preference Feedback.

Built with Meta Llama 3! Note that Llama 3 is released under the Meta Llama 3 community license, included here under llama_3_license.txt.

Performance

We evaluate the model on RewardBench:

ModelScoreChatChat HardSafetyReasoning
Llama 3 Tulu 2 8b UF RM (this model)73.695.359.257.982.1
Llama 3 Tulu 2 70b UF RM71.086.356.158.982.7

Model description

  • Model type: A reward model trained on UltraFeedback, designed to be used in RLHF training.
  • Language(s) (NLP): English
  • License: Apache 2.0.
  • Finetuned from model: allenai/llama-3-tulu-2-8b

Model Sources

Input Format

The model is trained to use the following format (note the newlines):

<|user|>
Your message here!
<|assistant|>

For best results, format all inputs in this manner. Make sure to include a newline after <|assistant|>, this can affect generation quality quite a bit. We have included a chat template in the tokenizer implementing this template.

Intended uses & limitations

The model was initially fine-tuned on a filtered and preprocessed of the Tulu V2 mix dataset, which contains a diverse range of human created instructions and synthetic dialogues generated primarily by other LLMs. We then further trained the model with a Jax RM trainer built on EasyLM on the dataset mentioned above. This model is meant as a research artefact.

Training hyperparameters

The following hyperparameters were used during PPO training:

  • learning_rate: 1e-06
  • total_train_batch_size: 512
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear cooldown to 1e-05.
  • lr_scheduler_warmup_ratio: 0.03
  • num_epochs: 1.0

Citation

If you find Tulu 2.5 is useful in your work, please cite it with:

@misc{ivison2024unpacking,
      title={{Unpacking DPO and PPO: Disentangling Best Practices for Learning from Preference Feedback}}, 
      author={{Hamish Ivison and Yizhong Wang and Jiacheng Liu and Ellen Wu and Valentina Pyatkin and Nathan Lambert and Yejin Choi and Noah A. Smith and Hannaneh Hajishirzi}}
      year={2024},
      eprint={2406.09279},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
7a3dfb3

0 моделей