/ Модель

Характеристики

Контекст
2 048 токенов
Параметры
6,6 млрд
Размер весов
13,2 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
tulu-2-7b
Опубликована
25 июн 2024

tulu-v2.5-7b-uf-rm

Классификация текстаТекст → label3 профессии

Англоязычная reward-модель Tulu на базе Llama 2 7B для оценки ответов при обучении PPO по предпочтениям.

13скачиваний за 30 дней0лайковвеса обновлены25 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

Tulu V2.5 7B RM — англоязычная reward-модель серии Tulu, разработанной AllenAI. Она оценивает ответы языковой модели и предназначена для использования в обучении с подкреплением по PPO на основе предпочтений. Модель дообучена на базе allenai/tulu-2-7b; в карточке указано, что при обучении использовался набор UltraFeedback, включая раздел ultrafeedback_mean_aspects. Архитектура — плотная Llama с классификационной головой для последовательностей, размер — 6,6 млрд параметров, контекст — 2048 токенов.

Модель принимает текст в формате, предусмотренном шаблоном чата токенизатора, и выдаёт оценку текста. Она рассчитана на английский язык и может применяться в конвейерах RLHF, в частности при обучении PPO. Лицензия — Apache 2.0. Карточка характеризует модель как исследовательский артефакт; оценки качества и другие ограничения отдельно не описаны.

Сценарии применения

  • оценка ответов языковой модели для PPO
  • ранжирование ответов по предпочтениям
  • обучение RLHF-конвейера на английских диалогах

Ограничения

Модель предназначена для исследовательского использования в обучении PPO и рассчитана на английский язык. Результат оценки зависит от формата входа, предусмотренного шаблоном чата.

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 7B RM - UltraFeedback

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 reward model used for PPO training trained on the UltraFeedback dataset. It was used to train this model.

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-2-7b-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 RM 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 PPO training:

  • learning_rate: 1e-06
  • total_train_batch_size: 512
  • optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
  • lr_scheduler_type: linear cooldown to 1e-05.
  • lr_scheduler_warmup_ratio: 0.03
  • num_epochs: 1.0

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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
b0bff46

0 моделей