/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,7 млрд
Размер весов
5,2 ГБ
Архитектура
gemma2 · dense
Базовая модель
gemma-2-2b-qa-sft
Библиотека
transformers
Опубликована
29 сен 2026

gemma-2-2b-qa-DPO

Генерация текстаТекст → текст3 профессии

Дообученная методом DPO модель Gemma 2 на 2,7 млрд параметров для более последовательных ответов на вопросы без дополнительного контекста.

136скачиваний за 30 дней0лайковвеса обновлены29 сен 2026

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

nagbhaskar55/gemma-2-2b-qa-DPO — языковая модель на архитектуре Gemma 2, дообученная методом Direct Preference Optimization (DPO) на базе thesreedath/gemma-2-2b-qa-sft. Она предназначена для ответов на вопросы по одному лишь вопросу, без предоставленного контекста, и ориентирована на повышение качества и согласованности таких ответов. Модель содержит 2,7 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов.

Для общения используется формат gemma_chat: user\n{question}\nmodel\n. В описанном эксперименте модель обучали два эпоха на 260 парах предпочтений, из которых 40 оставили для проверки; автор сообщает о росте точности предпочтений на отложенной выборке с 0,0 до 0,9. Эти результаты относятся к указанной небольшой оценке и не подтверждают улучшение на других задачах. Модель поддерживает английский язык. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы без поиска по внешним документам
  • создание кратких ответов на вопросы на английском языке
  • сравнение вариантов ответов по предпочтительности
  • формирование более последовательных отказов на неподходящие запросы

Ограничения

Дообучение выполнено на небольшом наборе пар предпочтений, поэтому заявленные улучшения ограничены описанной оценкой; метки предпочтений созданы оценочной LLM и могут наследовать её предвзятость. Модель не предназначена для предоставления юридических или финансовых консультаций.

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

gemma-2-2b-qa-DPO

DPO applied to thesreedath/gemma-2-2b-qa-sft, a QA-SFT model, to sharpen answer quality on closed-book (question only) prompts.

Results

metricbeforeafter
preference accuracy (held-out)0.00.9
chosen-vs-rejected logprob margin21.215725.5598

Trained 2 epochs, beta 0.1, 64 steps on 260 pairs (40 held out), in 125s.

How it was trained

DPO (Direct Preference Optimization) optimises the preference objective in closed form against a frozen copy of the starting model. No reward model and no sampling are involved at training time, which is why it is fast and stable.

Preference data

600 triplets (prompt / chosen / rejected), 300 grounded and 300 closed-book. This model trained on the closed_book half, because that is the distribution it was supervised-fine-tuned on.

The rejected answer in each pair carries exactly one deliberately induced flaw, drawn evenly from six modes that these models actually exhibit: a wrong figure, an unsupported claim, vagueness, rambling repetition, a partial answer, and a false refusal. An LLM judge then confirmed the ordering with the two answers shown in randomised positions, so it could not score well by always choosing the first. Pairs the judge disagreed with, or was unconfident about, were dropped.

Prompt format

This model expects gemma_chat:

<bos><start_of_turn>user\n{question}<end_of_turn>\n<start_of_turn>model\n

The format was established empirically, by scoring known-good answers under competing templates and comparing generation behaviour -- not assumed from the tokenizer.

Limits

600 preference pairs is a small budget for preference optimization. Expect sharper formatting, less padding and more consistent refusals -- not new capability. Preference labels come from an LLM judge, so the model inherits that judge's blind spots. Not legal or financial advice.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
481ccf4

0 моделей