/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,2 млрд
Архитектура
llama · dense
Базовая модель
Llama-3.2-1B-Instruct
Библиотека
transformers
Опубликована
8 июл 2026

prism-performance-rm-representative-downscaled-239

Классификация текстаТекст → label

Дообученная на базе Llama-3.2-1B-Instruct модель выдаёт оценки текстам для задач классификации и ранжирования.

8скачиваний за 30 дней0лайковвеса обновлены8 июл 2026

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

Это модель оценки текста на основе Llama-3.2-1B-Instruct, дообученная с помощью TRL. Она принимает текст и выдаёт оценку, поэтому подходит для классификации и ранжирования текстовых вариантов по заданному критерию. В карточке приведён пример получения оценки для входной фразы.

Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForSequenceClassification и формат safetensors. Заявленная длина контекста — 131 072 токена. В метаданных указана лицензия базовой модели Llama, однако отдельные условия лицензирования этого чекпойнта в предоставленных данных не описаны.

Сценарии применения

  • оценка качества текстового ответа
  • сравнение вариантов текста по заданному критерию
  • ранжирование текстовых кандидатов по оценке модели

Ограничения

Карточка не описывает критерий обучения и не приводит оценок качества, поэтому назначение оценок для конкретных задач следует проверять отдельно. Лицензия производной модели в предоставленных данных не указана.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for representative_downscaled_239

This model is a fine-tuned version of meta-llama/Llama-3.2-1B-Instruct. It has been trained using TRL.

Quick start

from transformers import pipeline

text = "The capital of France is Paris."
rewarder = pipeline(model="None", device="cuda")
output = rewarder(text)[0]
print(output["score"])

Training procedure

This model was trained with Reward.

Framework versions

  • TRL: 1.5.0
  • Transformers: 4.57.6
  • Pytorch: 2.6.0+cu124
  • Datasets: 4.8.5
  • Tokenizers: 0.22.2

Citations

Cite TRL as:

@software{vonwerra2020trl,
  title   = {{TRL: Transformers Reinforcement Learning}},
  author  = {von Werra, Leandro and Belkada, Younes and Tunstall, Lewis and Beeching, Edward and Thrush, Tristan and Lambert, Nathan and Huang, Shengyi and Rasul, Kashif and Gallouédec, Quentin},
  license = {Apache-2.0},
  url     = {https://github.com/huggingface/trl},
  year    = {2020}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
325684c

0 моделей