/ 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-uf-mean-70b-uf-rm

Генерация текстаТекст → текст10 профессий

Англоязычная чат-модель AllenAI на 13 млрд параметров, дообученная методом PPO для выполнения инструкций и генерации текста.

142скачиваний за 30 дней6лайковвеса 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 — англоязычная разговорная модель-помощник, разработанная Allen Institute for AI. Это плотная авторегрессионная модель семейства Llama с 12,9 млрд параметров, дообученная на базе allenai/tulu-2-13b с помощью PPO на промптах UltraFeedback и 70-миллиардной reward-модели, обученной на предпочтениях UltraFeedback. Контекст модели составляет 4096 токенов.

Модель предназначена для диалогов с помощником, выполнения инструкций и генерации текста общего назначения. В опубликованных оценках она превосходит Tulu 2+DPO 13B по некоторым показателям и показывает конкурентные результаты на тестах Open-Instruct, но уступает более крупной модели на сложных задачах рассуждения. Для качественной генерации следует использовать шаблон чата, предусмотренный токенизатором.

Модель принимает текст и генерирует текст на английском языке. Лицензия — Apache 2.0. В RLHF-фазе модель не была специально выровнена для безопасных ответов и не снабжена встроенной фильтрацией, поэтому может выдавать проблемный контент, особенно при соответствующих запросах.

Сценарии применения

  • ответы помощника на вопросы на английском языке
  • выполнение текстовых инструкций
  • поддержка диалога с пользователем
  • генерация и продолжение англоязычного текста

Ограничения

Модель не проходила специальное выравнивание безопасности и может генерировать проблемные ответы; на сложных задачах рассуждения уступает более крупным моделям Tulu. Для лучшего качества следует соблюдать шаблон чата токенизатора.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Tulu V2.5 PPO 13B - UltraFeedback Mean w. 70B UltraFeedback RM

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 the UltraFeedback dataset (using the per-aspect/fine-grained scores for deciding chosen and rejected) using PPO. We used a 70B RM trained on the UltraFeedback dataset, and then used the UltraFeedback 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 ultrafeedback_mean_aspects split. Only the prompts were used.
  • Model Family: The collection of related models can be found here.
  • Reward Model: The reward model used during PPO training can be found here, and the data used to train it here - specifically the ultrafeedback_mean_aspects split.
  • Value Model: The value model trained during PPO training can be found here.

Results

Tulu V2.5 PPO is trained to be a generalist model, and matches or outperforms Tulu 2+DPO 13B. It even beats Tulu 2+DPO 70B in some cases, although it loses out in harder reasoning tasks. For details on training and evaluation, read our paper!

ModelSizeAlignmentGSM8k 8-shot CoT Acc.AlpacaEval 2 Winrate (LC)Average Perf. across Open-Instruct evals
Tulu V2.5 PPO 13B (this model)13BPPO with 70B RM58.026.762.8
Tulu V2 DPO 13B13BDPO50.516.061.0
Tulu V2 SFT 13B13B-46.010.462.8
Tulu V2 DPO 70B70BDPO71.521.269.4

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.

Model Family

Preference Data, Prompts DataDPO ModelsPPO ModelsReward ModelsValue Models
ultrafeedback_mean_aspectstulu-v2.5-dpo-13b-uf-meantulu-v2.5-ppo-13b-uf-mean-70b-uf-rmtulu-v2.5-70b-uf-rmtulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-value
preference_big_mixture=tulu-v2.5-ppo-13b-uf-mean-13b-mix-rmtulu-v2.5-13b-preference-mix-rmtulu-v2.5-ppo-13b-uf-mean-13b-mix-rm-value
preference_big_mixture=tulu-v2.5-ppo-13b-uf-mean-70b-mix-rmtulu-v2.5-70b-preference-mix-rmtulu-v2.5-ppo-13b-uf-mean-70b-mix-rm-value
ultrafeedback_mean_aspects=tulu-v2.5-ppo-13b-uf-meantulu-v2.5-13b-uf-rmtulu-v2.5-ppo-13b-uf-mean-13b-uf-rm-value
ultrafeedback_mean_aspects=tulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-mixed-promptstulu-v2.5-70b-uf-rm * with extra promptstulu-v2.5-ppo-13b-uf-mean-70b-uf-rm-mixed-prompts-value
hh_rlhf_60ktulu-v2.5-dpo-13b-hh-rlhf-60ktulu-v2.5-ppo-13b-hh-rlhf-60ktulu-v2.5-13b-hh-rlhf-60k-rm
chatbot_arena_2023tulu-v2.5-dpo-13b-chatbot-arena-2023tulu-v2.5-ppo-13b-chatbot-arena-2023tulu-v2.5-13b-chatbot-arena-2023-rm
stack_exchange_60ktulu-v2.5-dpo-13b-stackexchange-60ktulu-v2.5-ppo-13b-stackexchange-60ktulu-v2.5-13b-stackexchange-60k-rm
nectar_60kN/Atulu-v2.5-ppo-13b-nectar-60ktulu-v2.5-13b-nectar-60k-rm
nectartulu-v2.5-dpo-13b-nectar
helpsteertulu-v2.5-dpo-13b-helpsteer
shp2tulu-v2.5-dpo-13b-shp2
stack_exchange_pairedtulu-v2.5-dpo-13b-stackexchange
ultrafeedback_overalltulu-v2.5-dpo-13b-uf-overall
capybaratulu-v2.5-dpo-13b-capybara
prm800k_pairs_phase2tulu-v2.5-dpo-13b-prm-phase-2
hh_rlhftulu-v2.5-dpo-13b-hh-rlhf
chatbot_arena_2024tulu-v2.5-dpo-13b-chatbot-arena-2024
alpaca_farm_human_preftulu-v2.5-dpo-13b-alpacafarm-human-pref
alpaca_farm_gpt4_preftulu-v2.5-dpo-13b-alpacafarm-gpt4-pref
orca_dpo_pairstulu-v2.5-dpo-13b-argilla-orca-pairs

*The extra prompts are all the prompts in the prompts dataset. Default only uses the split ultrafeedback_prompts.

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 DPO 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: 0.0325 (we found the larger RM benefited from a smaller KL penalty)

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
1548183

0 моделей