/ Модель

Характеристики

Контекст
512 токенов
Параметры
102 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
TinyJLLM-Instruct
Библиотека
transformers
Опубликована
30 авг 2026

TinyJLLM-Instruct-DPO

Генерация текстаТекст → текст3 профессии

Небольшая англоязычная Llama-модель, дообученная методом DPO для генерации ответов на инструкции в одноходовых сценариях.

655скачиваний за 30 дней0лайковвеса обновлены15 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

TinyJLLM-Instruct-DPO — небольшая плотная языковая модель семейства Llama, разработанная jaweed123 и дообученная методом DPO на основе jaweed123/TinyJLLM-Instruct. Она предназначена для генерации ответов на инструкции в одноходовом сценарии; для работы требуется тот же формат маркеров и протокол генерации с маскированием ответа, что и у SFT-версии. Модель содержит 102,4 млн параметров, принимает текст, выдаёт текст и имеет контекст длиной 512 токенов. В карточке указаны английский язык, датасеты Intel/orca_dpo_pairs и Anthropic/hh-rlhf, формат safetensors и библиотека Transformers.

DPO улучшает предпочтительность ответов и их форму, но не добавляет знаний. Модель ненадёжна в математике и программировании, плохо справляется с многоходовым диалогом и может повторять предыдущий контекст. Настройка безопасности минимальна и преимущественно англоязычна, поэтому модель не подходит для критически важной фильтрации. Лицензия — Apache-2.0.

Сценарии применения

  • генерация ответов на инструкции на английском языке
  • эксперименты с DPO и предпочтительным ранжированием ответов
  • изучение компактных моделей семейства Llama
  • прототипирование одноходового текстового ассистента

Ограничения

Модель ненадёжна в математике и программировании, а в многоходовых беседах может повторять предыдущий контекст вместо ответа на последний ход. Настройка безопасности минимальна, поэтому её не следует использовать для критически важной фильтрации.

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

TinyJLLM-Instruct-DPO — preference-tuned 100M model

Direct Preference Optimization applied to TinyJLLM-Instruct with a DPO trainer implemented from scratch in the TinyLLM repository (no TRL).

Measured effect: held-out preference accuracy improved from 64.5% (SFT reference) to 77.5% (this model) on 200 unseen pairs, and generations visibly cleaned up:

PromptSFTDPO (this model)
capital of Franceis a country of France.The capital of France
fruit or vegetable?apple, apple, apple… (loops)Apple

Model family

ModelStageLink
TinyJLLMBasejaweed123/TinyJLLM
TinyJLLM-InstructSFTjaweed123/TinyJLLM-Instruct
TinyJLLM-Instruct-DPODPO (this model)jaweed123/TinyJLLM-Instruct-DPO

Usage

Same marker format and the same response-masked generation protocol as the SFT model (plain causal model.generate() degrades into repetition):

### Instruction:
What is the capital of France?

### Response:
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "jaweed123/TinyJLLM-Instruct-DPO"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id).eval()

@torch.no_grad()
def respond(instruction, max_new_tokens=40):
    prompt = f"### Instruction:\n{instruction}\n\n### Response:\n"
    ids = tok(prompt)["input_ids"]
    L = len(ids)
    seq = ids + [tok.pad_token_id]          # dummy keeps response positions aligned
    for _ in range(max_new_tokens):
        inp = torch.tensor([seq])
        T = inp.shape[1]
        mask = torch.tril(torch.ones(1, 1, T, T, dtype=torch.bool))
        mask[:, :, L:, :] = False           # response rows ...
        mask[:, :, L:, :L] = True           # ... see the prompt only
        nxt = int(model(inp, attention_mask=mask).logits[0, -1].argmax())
        if nxt == tok.eos_token_id:
            break
        seq.append(nxt)
    return tok.decode(seq[L + 1:])

print(respond("What is the capital of France?"))

For sampling (temperature 0.8, top-k 50, top-p 0.95, repetition penalty 1.15 — the values chosen by the project's sampling sweep), use the project's learnllm.inference.generate.generate(..., response_mask_start=...).

Training details

Base / referenceTinyJLLM-Instruct (frozen reference = same weights)
Dataset32,648 pairs: Orca DPO (Apache-2.0) + HH-RLHF (MIT, filtered to single-turn answer-like pairs), 2 epochs
Beta / LR0.2 / 3e-6, warmup + cosine
Compute trickreference log-probabilities precomputed once (halves training compute)
Batch / steps32 pairs effective, 3,882 steps
HardwareRTX 4060 8 GB, ~2 h

Two earlier DPO runs (unfiltered data, lower LR) and the reasoning for the final recipe are documented in DPO_TRAINING.md, including a data-integrity incident that was found and fixed.

Limitations

  • Still a 100M model. DPO improves preference ranking and answer shape; it does not add knowledge. Math and code remain unreliable.
  • Multi-turn conversations fail. The model echoes earlier context instead of answering the last turn (measured; see the repository docs).
  • Safety tuning is minimal — a small, mostly-English preference set. Do not rely on this model for safety-critical filtering.

Citation

@misc{tinyjllm,
  title  = {TinyJLLM: A 100M-Parameter Small Language Model Built From Scratch},
  author = {Jaweed, Abdul},
  year   = {2026},
  url    = {https://github.com/Abdul-Jaweed/TinyLLM}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
ff290a2

0 моделей