/ Модель

Характеристики

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

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

Генерация текстаТекст → текст3 профессии

Англоязычная диалоговая модель Tulu на базе Llama 2, дообученная PPO на предпочтениях HH-RLHF для генерации ответов помощника.

126скачиваний за 30 дней0лайковвеса обновлены14 июн 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

Tulu V2.5 PPO 13B HH-RLHF 60k — англоязычная диалоговая модель-помощник, разработанная Allen Institute for AI (AI2). Она основана на Tulu 2 и дообучена методом PPO на случайной выборке из 60 тысяч примеров HH-RLHF; для обучения использовалась 13-миллиардная reward-модель, обученная на том же разделении данных. В основе архитектура Llama 2 с плотной сетью и 12,9 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 4096 токенов.

Модель предназначена для диалогов с помощником, генерации ответов на инструкции и изучения методов выравнивания по предпочтениям. Для наилучшего качества вход следует оформлять с переводом строки после сообщения, согласно шаблону токенизатора. Лицензия — Apache 2.0.

Модель не проходила настройку безопасности в фазе RLHF и не использует фильтрацию ответов во время работы; она может выдавать проблемный контент, особенно при соответствующем запросе.

Сценарии применения

  • ответы помощника на инструкции на английском языке
  • ведение текстового диалога на английском языке
  • генерация ответов в формате чат-помощника
  • исследование PPO и обучения по человеческим предпочтениям

Ограничения

Модель не настроена на безопасные ответы и не использует фильтрацию во время работы, поэтому может генерировать проблемный контент. Для качества ответов следует соблюдать формат входа с переводом строки после сообщения.

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 PPO 13B - 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 model is trained on a 60k random subsample of the HH-RLHF dataset using PPO. We used a 13B RM trained on the 60k HH-RLHF split, and then re-used the same prompts during PPO training.

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

  • Repository: https://github.com/allenai/open-instruct
  • Dataset: Data used to train this model can be found here - specifically the hh_rlhf_60k split.
  • Model Family: The collection of related models can be found here.
  • Reward Model: The reward model used during PPO training can be found here.

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 aligned the model with a Jax PPO 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
9f489ec

0 моделей