/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,9 млрд
Размер весов
25,7 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
tulu-2-13b
Опубликована
11 июн 2024

tulu-v2.5-13b-hh-rlhf-60k-rm

Классификация текстаТекст → label3 профессии

Англоязычная модель вознаграждения на базе Llama 2 для оценки ответов помощника и обучения PPO в исследованиях RLHF.

109скачиваний за 30 дней1лайквеса обновлены14 июн 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

Tulu V2.5 13B RM — англоязычная модель вознаграждения, разработанная AllenAI для обучения с подкреплением на основе человеческих предпочтений. Она оценивает текстовые ответы помощника и предназначена прежде всего для использования в PPO-пайплайнах и исследованиях методов RLHF, а не как самостоятельный чат-бот. Модель основана на архитектуре Llama 2, содержит 12,9 млрд параметров и принимает текст с шаблоном диалога, заданным в токенизаторе; контекст составляет 4096 токенов.

Модель дообучена на наборе HH-RLHF 60k с использованием данных Tulu и обучалась с помощью JAX RM trainer на EasyLM. Карточка указывает английский язык и лицензию Apache 2.0. Оценки модели отражают предпочтения, усвоенные из обучающих данных, и могут не совпадать с предпочтениями конкретного приложения; для надёжного применения требуется оценка и настройка в целевом пайплайне.

Сценарии применения

  • оценка предпочтительности ответов чат-бота
  • ранжирование вариантов ответа по предпочтениям людей
  • обучение PPO-моделей-помощников
  • эксперименты с RLHF и обучением на предпочтениях

Ограничения

Модель обучена на предпочтениях набора HH-RLHF 60k, поэтому её оценки могут отражать смещения этих данных и не соответствовать критериям конкретного приложения. Она предназначена как компонент обучения PPO, а не как самостоятельная модель для диалога.

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 Tulu V2.5 13B RM - HH-RLHF 60k

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 is a reward model used for PPO training trained on the HH-RLHF 60k dataset. It was used to train this model.

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

.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

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
42a3baa

0 моделей