/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
14 млрд
Размер весов
56 ГБ
Архитектура
qwen2 · dense
Библиотека
transformers
Опубликована
25 авг 2026

SLIT_scoring

Классификация текстаТекст → label5 профессий

Дообученная reward model на базе Qwen2 оценивает текст и выдаёт числовой балл для сравнения вариантов.

8скачиваний за 30 дней0лайковвеса обновлены25 авг 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

ler001/SLIT_scoring — модель оценки текста на базе архитектуры Qwen2, дообученная с помощью TRL как reward model. Она предназначена для присвоения входному тексту числовой оценки, например для ранжирования вариантов ответа или оценки качества текста. Модель содержит 14 млрд параметров, принимает текст и выдаёт оценку; максимальный контекст составляет 32 768 токенов.

В карточке не названа базовая модель: указано значение «None», поэтому определить её идентификатор нельзя. Репозиторий использует Transformers и формат safetensors. Лицензия в предоставленных данных не указана.

Сценарии применения

  • оценка качества ответа языковой модели
  • сравнение и ранжирование вариантов текста по оценке модели
  • оценка текстов в конвейере обучения с reward model

Ограничения

В README базовая модель обозначена как «None», поэтому установить её не удалось; языковая специализация не описана. Лицензия в предоставленных данных отсутствует.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for reward_model_output

This model is a fine-tuned version of None. 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: 0.25.1
  • Transformers: 4.57.1
  • Pytorch: 2.9.1
  • Datasets: 4.4.1
  • Tokenizers: 0.22.1

Citations

Cite TRL as:

@misc{vonwerra2022trl,
	title        = {{TRL: Transformer Reinforcement Learning}},
	author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallou{\'e}dec},
	year         = 2020,
	journal      = {GitHub repository},
	publisher    = {GitHub},
	howpublished = {\url{https://github.com/huggingface/trl}}
}

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
Qwen2ForSequenceClassification
Ревизия весов
759421a

0 моделей