/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
68,7 млрд
Размер весов
137 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
tulu-v2.5-70b-preference-mix-rm
Опубликована
12 июн 2024

tulu-v2.5-ppo-13b-uf-mean-70b-mix-rm-value

Разметка токеновТекст → label3 профессии

Англоязычная чат-модель AllenAI на архитектуре Llama, дообученная PPO для диалогов и следования инструкциям.

104скачиваний 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-ppo-13b-uf-mean-70b-mix-rm — модель из семейства Tulu, разработанного AllenAI. Это плотная модель на архитектуре Llama с 68,7 млрд параметров и контекстом до 4096 токенов. Она дообучена методом PPO на основе модели предпочтений Tulu v2.5 и предназначена для диалогов и следования инструкциям на английском языке.

Модель подходит для исследовательских экспериментов с чат-моделями и оценкой поведения после обучения с подкреплением. Для лучшего качества вход следует подавать в указанном в карточке формате с переводом строки после сообщения; токенизатор содержит соответствующий чат-шаблон. Модель распространяется по лицензии Apache 2.0. Карточка отмечает её как исследовательский артефакт; специализированные ограничения качества не описаны.

Сценарии применения

  • ответы на англоязычные инструкции
  • ведение диалога на английском языке
  • исследование влияния PPO на поведение чат-модели

Ограничения

Карточка представляет модель как исследовательский артефакт. Для качества генерации важно соблюдать формат входа с завершающим переводом строки.

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 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. 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: 0.0325

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
LlamaForTokenClassification
Ревизия весов
11367cd

0 моделей