/ 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-uf-rm
Опубликована
12 июн 2024

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

Разметка токеновТекст → label3 профессии

Англоязычная value-модель Tulu V2.5 для оценки текстовых ответов и исследований обучения PPO по предпочтениям.

96скачиваний 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-uf-rm-mixed-prompts-value — англоязычная модель оценки ответов, выпущенная Allen Institute for AI как value-модель на этапе PPO-обучения семейства Tulu V2.5. Она дообучена на основе allenai/tulu-v2.5-70b-uf-rm; карточка также указывает исходную настройку от meta-llama/Llama-2-13b-hf. Архитектура — плотная Llama для классификации токенов, размер — 68,7 млрд параметров, контекст — 4096 токенов.

Модель предназначена для исследовательской работы с обучением по предпочтениям и может служить отправной точкой для экспериментов с PPO или улучшенного декодирования ответов выпущенных PPO-моделей Tulu. Она принимает англоязычный текст в формате, заданном шаблоном токенизатора, и выдаёт оценки в виде классификации токенов. Для запуска может потребоваться версия Transformers из исходного кода с поддержкой LlamaForTokenClassification. Лицензия — Apache 2.0.

Сценарии применения

  • оценка ответов чат-модели при обучении PPO
  • эксперименты с моделированием предпочтений пользователей
  • исследование улучшенного декодирования ответов Tulu
  • получение токенных оценок для текстовых ответов

Ограничения

Модель выпущена как исследовательский артефакт, а для её загрузки может потребоваться Transformers из исходного кода с поддержкой LlamaForTokenClassification. Карточка рекомендует 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 - UltraFeedback w/ Mixed Prompts 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
0c94d4c

0 моделей