Характеристики

Контекст: 2 048 токенов
Параметры: 454 млн
Лицензия: Apache 2.0
Архитектура: gpt_neox · dense
Опубликована: 8 ноя 2023

Ссылки

Hugging Face arXiv 2101.00027

pythia-410m-helpful-sft

lomahony

Генерация текстаТекст → текст3 профессии

Англоязычная Pythia-410m, дообученная на полезной части Anthropic HH-RLHF для генерации ответов и диалога.

617скачиваний за 30 дней0лайковвеса обновлены20 янв 2025

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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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

Модель lomahony/pythia-410m-helpful-sft разработана Лорой О’Махони и представляет собой Pythia-410m, дообученную методом supervised fine-tuning с помощью библиотеки TRLx на полезной части набора Anthropic HH-RLHF в течение одной эпохи. Это плотная авторегрессионная языковая модель архитектуры GPT-NeoX с 454,2 млн параметров и контекстом 2048 токенов.

Модель предназначена для генерации англоязычных ответов в стиле обучающей выборки, включая ответы на вопросы и полезный диалог. Карточка связывает её с исследованием о схлопывании режимов при дообучении больших языковых моделей; также в README приведены результаты отдельных тестов ARC. Модель распространяется по лицензии Apache-2.0. Её небольшой размер ограничивает сложность задач, а дообучение на подмножестве HH-RLHF не гарантирует точность, полноту или безопасность ответов.

Сценарии применения

генерация полезных ответов на вопросы на английском языке
создание простого англоязычного диалогового ассистента
изучение влияния supervised fine-tuning на языковые модели
эксперименты с поведением модели после обучения на HH-RLHF

Ограничения

Модель содержит 454,2 млн параметров и обучалась только одну эпоху на полезном подмножестве HH-RLHF, поэтому её возможности ограничены по сравнению с крупными универсальными моделями. Метрики ARC в README охватывают лишь отдельные тесты и не подтверждают качество на широком наборе задач.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Pythia-410m supervised finetuned using TRLx library with the helpful subset of Anthropic-hh-rlhf dataset for 1 epoch.

Checkpoints are also uploaded.

Fully reproducible finetuning code is available on GitHub

wandb log

See Pythia-410m for model details (paper).

See further details of these models in the paper Attributing Mode Collapse in the Fine-Tuning of Large Language Models.

You can cite these models if they are helpful as follows:

hf (pretrained=lomahony/pythia-410m-helpful-sft), gen_kwargs: (None), limit: None, num_fewshot: 0, batch_size: 16

Tasks	Version	Filter	Metric	Value		Stderr
arc_challenge	1	none	acc	0.2355	±	0.0124
		none	acc_norm	0.2594	±	0.0128
arc_easy	1	none	acc	0.5051	±	0.0103
		none	acc_norm	0.4478	±	0.0102
boolq	2	none	acc	0.6113	±	0.0085
hellaswag	1	none	acc	0.3372	±	0.0047
		none	acc_norm	0.4001	±	0.0049
lambada_openai	1	none	perplexity	21.8172	±	0.7736
		none	acc	0.3755	±	0.0067
openbookqa	1	none	acc	0.1940	±	0.0177
		none	acc_norm	0.2960	±	0.0204
piqa	1	none	acc	0.6719	±	0.0110
		none	acc_norm	0.6687	±	0.0110
sciq	1	none	acc	0.7700	±	0.0133
		none	acc_norm	0.6540	±	0.0151
wikitext	2	none	word_perplexity	23.8136	±	N/A
		none	byte_perplexity	1.8091	±	N/A
		none	bits_per_byte	0.8553	±	N/A
winogrande	1	none	acc	0.5320	±	0.0140

hf (pretrained=lomahony/pythia-410m-helpful-sft), gen_kwargs: (None), limit: None, num_fewshot: 5, batch_size: 16

Tasks	Version	Filter	n-shot	Metric	Value		Stderr
arc_challenge	1	none	5	acc	0.2355	±	0.0124
		none	5	acc_norm	0.2790	±	0.0131
arc_easy	1	none	5	acc	0.5274	±	0.0102
		none	5	acc_norm	0.5072	±	0.0103
boolq	2	none	5	acc	0.5226	±	0.0087
hellaswag	1	none	5	acc	0.3367	±	0.0047
		none	5	acc_norm	0.3991	±	0.0049
lambada_openai	1	none	5	perplexity	37.4791	±	1.3737
		none	5	acc	0.3049	±	0.0064
openbookqa	1	none	5	acc	0.1620	±	0.0165
		none	5	acc_norm	0.2900	±	0.0203
piqa	1	none	5	acc	0.6708	±	0.0110
		none	5	acc_norm	0.6676	±	0.0110
sciq	1	none	5	acc	0.8630	±	0.0109
		none	5	acc_norm	0.8430	±	0.0115
wikitext	2	none	5	word_perplexity	23.8136	±	N/A
		none	5	byte_perplexity	1.8091	±	N/A
		none	5	bits_per_byte	0.8553	±	N/A
winogrande	1	none	5	acc	0.5272	±	0.0140

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: 64bb978