/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,2 ГБ
Архитектура
mistral · dense
Опубликована
22 мар 2024

Mistral-RM-for-RAFT-GSHF-v0

Классификация текстаТекст → label3 профессии

Модель оценки ответов на базе Mistral-7B-Instruct-v0.2 для классификации последовательностей и сценариев обучения с обратной связью от человека.

36скачиваний за 30 дней1лайквеса обновлены23 мар 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

hendrydong/Mistral-RM-for-RAFT-GSHF-v0 — модель вознаграждения на базе Mistral-7B-Instruct-v0.2, предназначенная для классификации последовательностей. Её загружают через AutoModelForSequenceClassification с одним выходным значением; такой формат подходит для оценки ответов или предпочтений в сценариях обучения с обратной связью от человека.

Модель имеет плотную архитектуру Mistral и около 7,1 млрд параметров. Метаданные указывают контекст длиной до 32 768 токенов и формат весов safetensors. README называет базовую модель, но не уточняет данные обучения, метрики качества или условия лицензии.

Сценарии применения

  • оценка качества ответов языковой модели
  • ранжирование ответов по предпочтениям
  • оценивание примеров для обучения с обратной связью от человека

Ограничения

README не приводит метрики качества и сведения о данных обучения. Лицензия в предоставленных данных не указана.

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

Training

The base model is mistralai/Mistral-7B-Instruct-v0.2.

We also merge the training script at https://github.com/WeiXiongUST/RLHF-Reward-Modeling.

Thanks Wei (https://huggingface.co/weqweasdas) for his help and contribution to the community.

Usage

To use this model, you need to load by AutoModelForSequenceClassification,

model = AutoModelForSequenceClassification.from_pretrained(
    "hendrydong/Mistral-RM-for-RAFT-GSHF-v0", num_labels=1, torch_dtype=torch.bfloat16
)

and prepare dataset like

SAMPLE =[
{'role': 'user', 'content': 'Hi!'},
{'role': 'assistant', 'content': 'How are you?'},
]

The template is the same as mistralai/Mistral-7B-Instruct-v0.2.

The reward model can be used for iterative SFT/DPO.

Please cite them if you found this RM helpful,

@article{dong2023raft,
  title={Raft: Reward ranked finetuning for generative foundation model alignment},
  author={Dong, Hanze and Xiong, Wei and Goyal, Deepanshu and Pan, Rui and Diao, Shizhe and Zhang, Jipeng and Shum, Kashun and Zhang, Tong},
  journal={arXiv preprint arXiv:2304.06767},
  year={2023}
}

@article{xiong2023gibbs,
  title={Gibbs sampling from human feedback: A provable kl-constrained framework for rlhf},
  author={Xiong, Wei and Dong, Hanze and Ye, Chenlu and Zhong, Han and Jiang, Nan and Zhang, Tong},
  journal={arXiv preprint arXiv:2312.11456},
  year={2023}
}

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
MistralForSequenceClassification
Ревизия весов
e5e7aaf

0 моделей