/ Модель

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

Pythia-2.8B-TLDR-Iterative-SamPO

Генерация текстаТекст → текст3 профессии

Англоязычная модель Pythia-2.8B, дообученная методом SamPO для генерации текста и изучения оптимизации предпочтений.

27скачиваний 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.

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-TLDR-Iterative-SamPO — англоязычная авторегрессионная модель семейства GPT-NeoX, дообученная авторами репозитория на основе EleutherAI/pythia-2.8b с применением алгоритма SamPO. Она предназначена для генерации ответов в стиле TLDR и исследования методов оптимизации предпочтений: в карточке приведено сравнение с SFT, DPO, итеративным DPO и нормализацией длины по результатам оценки GPT-4.

Модель содержит 3,5 млрд параметров, принимает текст и имеет контекст длиной до 2048 токенов. Для пользовательских сценариев подходит генерация кратких ответов и эксперименты с предпочтительным обучением языковых моделей. Выпущена под лицензией Apache-2.0.

Сценарии применения

  • генерация кратких ответов в стиле TLDR
  • сравнение методов DPO и их итеративных вариантов
  • исследование влияния длины ответа на обучение по предпочтениям

Ограничения

Контекст ограничен 2048 токенами. Приведённые сравнительные результаты основаны на оценке с шаблоном GPT-4; карточка не сообщает независимых метрик качества.

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 Pythia-2.8B-TLDR-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
DPO60.9853.8
Iterative DPO73.5866.65
Length Normed DPO58.1347.34
SimPO33.3331.9
Iterative SamPO73.5849.54

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: 0.5
  • 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
5abb14f

0 моделей