/ Модель
Каталог

Характеристики

Контекст
2 048 токенов
Параметры
3,5 млрд
Размер весов
5,6 ГБ
Лицензия
Apache 2.0
Архитектура
gpt_neox · dense
Базовая модель
pythia-2.8b
Опубликована
17 июн 2024

Ссылки

Hugging FacearXiv 2305.18290

Pythia-2.8B-HH-RLHF-Iterative-SamPO

jiazhengli
Генерация текстаТекст → текст3 профессии

Англоязычная Pythia-2.8B, дообученная методом SamPO для генерации диалоговых ответов с учётом предпочтений.

26скачиваний за 30 дней0лайковвеса обновлены17 июн 2024

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.

Открыть конструктор бенчмарка

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

Pythia-2.8B-HH-RLHF-Iterative-SamPO — англоязычная авторегрессионная модель генерации текста на архитектуре GPT-NeoX, дообученная исследователями с помощью алгоритма SamPO на данных Anthropic HH-RLHF. Она предназначена для генерации ответов в диалогах и изучения влияния алгоритмов обучения на предпочтения и длину ответов. В метаданных указаны 3,5 млрд параметров, контекст до 2048 токенов и формат safetensors.

В карточке приведено сравнение SamPO с вариантами DPO по оценке побед в парном сравнении с SFT; тестирование использует шаблон оценки из статьи о DPO. Модель распространяется по лицензии Apache-2.0. Результаты описывают конкретный протокол оценки и не гарантируют аналогичного качества в других сценариях.

Сценарии применения

  • генерация ответов в англоязычном диалоге
  • исследование обучения языковых моделей на человеческих предпочтениях
  • сравнение SamPO и DPO при дообучении генеративных моделей

Ограничения

Контекст ограничен 2048 токенами. Результаты оценки получены на конкретном тестовом наборе и по шаблону сравнения из работы о DPO; они не подтверждают качество на других задачах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии
I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923моделиI.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Pythia-2.8B-HH-RLHF-Iterative-SamPO

This repository provides a fine-tuned version of Pythia-2.8B, using our proposed SamPO algorithm: Eliminating Biased Length Reliance of Direct Preference Optimization via Down-Sampled KL Divergence.

Performance

vs. SFTwinslen / token
DPO74.49250.07
Iterative DPO74.29236.41
Length Normed DPO68.95246.28
SimPO46.834.71
Iterative SamPO79.05137.55

Evaluation Details

We test our model with the same GPT-4 Win rate prompt template proposed by the DPO paper. The sampled test set is included in this repo.

Training hyperparameters

The following hyperparameters were used during DPO/SamPO training:

  • DPO beta: 0.05
  • learning_rate: 1e-6
  • total_train_batch_size: 128
  • optimizer: AdamW with beta1 0.9, beta2 0.999 and epsilon 1e-8
  • lr_scheduler_type: linear
  • lr_scheduler_warmup_ratio: 0.1
  • Weight Decay: 0.0
  • num_epochs: 1.0

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
GPTNeoXForCausalLM
Ревизия весов
672c4f9

0 моделей

    Создать бенчмарк