alignment-handbook-zephyr-7b_ppostep_100

alignment-handbook-zephyr-7b_ppostep_100 — экспериментальный чекпойнт Zephyr 7B, созданный запуском PPO-обучения в течение 100 шагов на модели alignment-handbook-zephyr-7b-sft. Модель разработана как часть эксперимента по выравниванию поведения разговорной языковой модели.

Это причинная языковая модель семейства Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Она принимает текст и генерирует текст в диалоговом режиме; репозиторий содержит веса Safetensors. Поддерживаемые языки в доступных данных не определены.

Чекпойнт подходит для изучения влияния короткого PPO-обучения на ответы Zephyr и для экспериментального диалога. Карточка не сообщает результатов оценки качества или подробностей обучающих данных, поэтому пригодность для задач с требованиями к точности не подтверждена. Лицензия — Apache-2.0.