/ 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-v2.5-13b-uf-rm
Опубликована
11 июн 2024

tulu-v2.5-ppo-13b-uf-mean-13b-uf-rm-value

Разметка токеновТекст → label3 профессии

Англоязычная value-модель Tulu V2.5 на 13 млрд параметров для исследований PPO и обучения с подкреплением на основе предпочтений.

94скачиваний 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

Это value-модель семейства Tulu V2.5, выпущенная Allen Institute for AI как чекпойнт, полученный в ходе обучения PPO. Она основана на Tulu v2.5 13B UltraFeedback RM и использует архитектуру Llama для классификации токенов. Модель предназначена для исследований обучения с подкреплением на основе предпочтений и экспериментов с улучшенным декодированием вместе с PPO-моделями Tulu.

Модель содержит 12,9 млрд параметров, принимает текст и рассчитана на английский язык; длина контекста составляет 4096 токенов. Для обучения использовались данные UltraFeedback и смесь Tulu v2. На Hugging Face опубликованы веса в формате safetensors. Лицензия — Apache 2.0.

Это исследовательский артефакт, а не обычный чат-помощник: карточка описывает его как value-модель, поэтому его применение связано с оцениванием и обучением RLHF. Для загрузки может потребоваться версия Transformers из исходного кода с поддержкой класса LlamaForTokenClassification.

Сценарии применения

  • оценивание состояний или ответов в PPO-обучении помощника
  • эксперименты с RLHF на данных предпочтений UltraFeedback
  • исследование декодирования с использованием value-модели Tulu
  • разметка токенов в специализированном пайплайне обучения

Ограничения

Модель выпущена как исследовательский артефакт и предназначена для PPO-экспериментов, а не для непосредственного использования в качестве чат-помощника. Для работы может потребоваться Transformers с поддержкой LlamaForTokenClassification из исходного кода.

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 - UltraFeedback Value Model

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 value model produced during the PPO training of this model. It was initialised from the Tulu v2.5 13B UltraFeedback RM. We release the value model as it may provide a good starting point for additional research or improved decoding with our released PPO models.

At time of writing, you may have to install transformers from source to get the LlamaForTokenClassification class.

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 PPO 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 overall 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 · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForTokenClassification
Ревизия весов
9d2c0f5

0 моделей