Характеристики

Контекст: 2 048 токенов
Параметры: 454 млн
Лицензия: Apache 2.0
Архитектура: gpt_neox · dense
Базовая модель: pythia410m-sft-tldr
Опубликована: 20 июн 2024

Ссылки

pythia410m-rm-tldr6.9b

Классификация текстаТекст → label3 профессии

Дообученная GPT-NeoX-модель для классификации и оценки текстов, потенциально пригодная для ранжирования ответов как reward model.

58скачиваний за 30 дней0лайковвеса обновлены20 июн 2024

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

mnoukhov/pythia410m-rm-tldr6.9b — модель оценки текстов на базе GPT-NeoX, разработанная как дообученная версия mnoukhov/pythia410m-sft-tldr. Она предназначена для классификации текста; вероятно, её используют как reward model для оценки ответов или кратких пересказов, однако README не уточняет назначение и схему меток. Модель содержит 454,2 млн параметров, принимает текст, выдаёт результат классификации и поддерживает контекст до 2048 токенов.

В метаданных указаны формат Safetensors и лицензия Apache-2.0. README сообщает о результате на оценочном наборе: accuracy 0,7418 и loss 0,5162, но набор данных и условия оценки не описаны.

Сценарии применения

оценка качества ответов языковой модели
сравнение вариантов краткого пересказа
классификация текстовых ответов
использование в обучении с подкреплением по предпочтениям

Ограничения

README не раскрывает назначение выходных меток, обучающий набор и условия оценки, поэтому пригодность для конкретной схемы оценки требует проверки. Показатели accuracy и loss приведены без описания тестового набора.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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

pythia410m-rm-tldr6.9b

This model is a fine-tuned version of mnoukhov/pythia410m-sft-tldr on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.5162
Accuracy: 0.7418

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 1e-05
train_batch_size: 8
eval_batch_size: 8
seed: 42
gradient_accumulation_steps: 8
total_train_batch_size: 64
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: cosine
num_epochs: 1
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.5507	0.2006	291	0.5506	0.7176
0.4921	0.4011	582	0.5163	0.7394
0.4727	0.6017	873	0.5194	0.7368
0.439	0.8022	1164	0.5162	0.7418

Framework versions

Transformers 4.41.1
Pytorch 2.2.1+cu121
Datasets 2.19.0
Tokenizers 0.19.1

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: GPTNeoXForSequenceClassification
Ревизия весов: 3d6f891