/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
68,7 млрд
Размер весов
137 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
tulu-2-70b
Опубликована
11 июн 2024

tulu-v2.5-70b-preference-mix-rm

Классификация текстаТекст → label3 профессии

Англоязычная модель оценки предпочтений Tulu для классификации текстовых ответов в задачах RLHF.

90скачиваний за 30 дней0лайковвеса 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

allenai/tulu-v2.5-70b-preference-mix-rm — модель оценки предпочтений из набора RLHF-моделей Tulu, разработанная AllenAI. Это плотная модель семейства Llama с 68,7 млрд параметров, дообученная на базе allenai/tulu-2-70b; README также описывает обучение на фильтрованной смеси инструкций Tulu V2 и дальнейшее обучение на наборе preference_big_mixture. Модель предназначена для классификации и оценки текстовых ответов в сценариях обучения с обратной связью по предпочтениям.

Модель принимает текст на английском языке и выдаёт классификационные оценки. Максимальный контекст составляет 4096 токенов. Для корректной обработки следует использовать формат сообщений, поддерживаемый шаблоном чата токенизатора.

Модель выпущена по лицензии Apache 2.0. README позиционирует её как исследовательский артефакт; результаты оценки предпочтений не следует считать универсальной мерой качества или заменой проверке человеком.

Сценарии применения

  • оценка предпочтительности ответа чат-бота
  • ранжирование ответов для обучения RLHF
  • сравнение качества вариантов текстового ответа

Ограничения

Модель предназначена прежде всего для исследовательского применения и оценки предпочтений; её оценки не гарантируют объективного качества и могут отражать ограничения обучающих данных. Контекст ограничен 4096 токенами.

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 70B RM - Preference Mixture

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 our mixture of preference datasets. 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

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
30e8047

0 моделей