/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
llama-3-tulu-2-8b
Опубликована
14 окт 2024

llama-3-tulu-v2.5-8b-uf-mean-8b-uf-rm

Генерация текстаТекст → текст10 профессий

Англоязычная чат-модель Tulu на базе Llama 3, дообученная с помощью PPO для ответов на инструкции и диалогов.

121скачиваний за 30 дней3лайкавеса обновлены14 окт 2024

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 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

Allen Institute for AI (AI2) разработал эту англоязычную чат-модель семейства Tulu на архитектуре Llama 3. Модель содержит около 7,5 млрд параметров, принимает текст и генерирует текст; длина контекста — 8192 токена. Она дообучена методом PPO с использованием UltraFeedback и модели вознаграждения на 8B параметров, чтобы улучшить ответы помощника на инструкции и диалоги.

Модель предназначена для генерации ответов, диалогов и решения разнообразных задач по текстовым инструкциям. В карточке приведены результаты оценки на GSM8k и AlpacaEval 2; для применения рекомендуется формат сообщения, заданный шаблоном чата токенизатора. Лицензия в метаданных — Apache 2.0; README также упоминает лицензию сообщества Meta Llama 3. Модель может выдавать проблемные ответы, поскольку этап RLHF не был нацелен на безопасные завершения и не использовалась фильтрация ответов во время работы.

Сценарии применения

  • ответы на вопросы и выполнение текстовых инструкций
  • ведение англоязычных диалогов с виртуальным помощником
  • генерация черновиков и пояснений по запросу
  • решение математических задач в формате пошагового рассуждения
  • оценка качества ответов чат-модели в экспериментах с выравниванием

Ограничения

Карточка предупреждает, что модель может генерировать проблемные ответы: этап RLHF не был специально настроен на безопасные завершения, а фильтрация ответов при работе не применялась. Для ожидаемого качества следует соблюдать шаблон чата токенизатора.

Для каких профессий подходит10

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

Model Card for Llama 3 Tulu V2.5 PPO 13B - UltraFeedback Mean w. 8B UltraFeedback RM

Tulu is a series of language models that are trained to act as helpful assistants. Tulu V2.5 is a series of models trained using DPO and PPO starting from the Tulu 2 suite. This model is trained on the UltraFeedback dataset (using the per-aspect/fine-grained scores for deciding chosen and rejected) using PPO. We used a 8B RM trained on the UltraFeedback dataset, and then used the UltraFeedback prompts during PPO training.

This is part of a small update to the original V2.5 suite, adding some Llama 3-based models. We add three models:

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.

.Model description

  • Model type: One model belonging to a suite of RLHF tuned chat models on a mix of publicly available, synthetic and human-created datasets.
  • Language(s) (NLP): English
  • License: Apache 2.0.
  • Finetuned from model: meta-llama/Llama-2-13b-hf

Model Sources

  • Repository: https://github.com/allenai/open-instruct
  • Dataset: Data used to train this model can be found here - specifically the ultrafeedback_mean_aspects split. Only the prompts were used.
  • Model Family: The collection of related models can be found here.
  • Reward Model: The reward model used during PPO training can be found here, and the data used to train it here - specifically the ultrafeedback_mean_aspects split.

Results

This is a model trained on Llama 3 as an update to the Tulu v2.5 suite. For details on training and evaluation, read our paper!

ModelSizeAlignmentGSM8k 8-shot CoT Acc.AlpacaEval 2 Winrate (LC)
Tulu V2.5 PPO Llama 3 8B (this model)8BPPO with 8B RM61.522.7
Tulu V2.5 PPO 13B13BPPO with 70B RM58.026.7
Tulu V2 DPO 13B13BDPO50.516.0
Tulu V2 SFT 13B13B-46.010.4
Tulu V2 DPO 70B70BDPO71.521.2

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.

Model Family

Preference Data, Prompts DataDPO ModelsPPO ModelsReward ModelsValue Models
ultrafeedback_mean_aspectstulu-v2.5-dpo-13b-uf-meantulu-v2.5-ppo-13b-uf-mean-70b-uf-rmtulu-v2.5-70b-uf-rmtulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-value
preference_big_mixture=tulu-v2.5-ppo-13b-uf-mean-13b-mix-rmtulu-v2.5-13b-preference-mix-rmtulu-v2.5-ppo-13b-uf-mean-13b-mix-rm-value
preference_big_mixture=tulu-v2.5-ppo-13b-uf-mean-70b-mix-rmtulu-v2.5-70b-preference-mix-rmtulu-v2.5-ppo-13b-uf-mean-70b-mix-rm-value
ultrafeedback_mean_aspects=tulu-v2.5-ppo-13b-uf-meantulu-v2.5-13b-uf-rmtulu-v2.5-ppo-13b-uf-mean-13b-uf-rm-value
ultrafeedback_mean_aspects=tulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-mixed-promptstulu-v2.5-70b-uf-rm * with extra promptstulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-mixed-prompts-value
hh_rlhf_60ktulu-v2.5-dpo-13b-hh-rlhf-60ktulu-v2.5-ppo-13b-hh-rlhf-60ktulu-v2.5-13b-hh-rlhf-60k-rm
chatbot_arena_2023tulu-v2.5-dpo-13b-chatbot-arena-2023tulu-v2.5-ppo-13b-chatbot-arena-2023tulu-v2.5-13b-chatbot-arena-2023-rm
stack_exchange_60ktulu-v2.5-dpo-13b-stackexchange-60ktulu-v2.5-ppo-13b-stackexchange-60ktulu-v2.5-13b-stackexchange-60k-rm
nectar_60kN/Atulu-v2.5-ppo-13b-nectar-60ktulu-v2.5-13b-nectar-60k-rm
nectartulu-v2.5-dpo-13b-nectar
helpsteertulu-v2.5-dpo-13b-helpsteer
shp2tulu-v2.5-dpo-13b-shp2
stack_exchange_pairedtulu-v2.5-dpo-13b-stackexchange
ultrafeedback_overalltulu-v2.5-dpo-13b-uf-overall
capybaratulu-v2.5-dpo-13b-capybara
prm800k_pairs_phase2tulu-v2.5-dpo-13b-prm-phase-2
hh_rlhftulu-v2.5-dpo-13b-hh-rlhf
chatbot_arena_2024tulu-v2.5-dpo-13b-chatbot-arena-2024
alpaca_farm_human_preftulu-v2.5-dpo-13b-alpacafarm-human-pref
alpaca_farm_gpt4_preftulu-v2.5-dpo-13b-alpacafarm-gpt4-pref
orca_dpo_pairstulu-v2.5-dpo-13b-argilla-orca-pairs

*The extra prompts are all the prompts in the prompts dataset. Default only uses the split ultrafeedback_prompts.

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 aligned the model with a Jax DPO trainer built on EasyLM on the dataset mentioned above.

Bias, Risks, and Limitations

The Tulu models have not been aligned to generate safe completions within the RLHF phase or deployed 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 2 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.

Training hyperparameters

The following hyperparameters were used during PPO training:

  • learning_rate: 1e-06
  • total_train_batch_size: 64
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • num_epochs: 1.0
  • KL penalty coefficient: 0.05

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

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
754d2dd

0 моделей