/ Модель

Характеристики

Контекст
1 024 токена
Параметры
518 млн
Архитектура
llama · dense
Базовая модель
slm-500m-qa
Библиотека
transformers
Опубликована
29 сен 2026

slm-500m-qa-DPO

Генерация текстаТекст → текст3 профессии

Англоязычная модель Llama примерно на 518 млн параметров, дообученная методом DPO для более последовательных ответов на вопросы без дополнительного контекста.

134скачиваний 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

slm-500m-qa-DPO — языковая модель, созданная дообучением thesreedath/slm-500m-qa методом Direct Preference Optimization (DPO). Она предназначена для ответов на вопросы по одному лишь тексту вопроса, без предоставленного контекста, и ожидает формат «Question: {question}\nAnswer:». Модель использует плотную архитектуру LlamaForCausalLM, содержит около 517,7 млн параметров и поддерживает контекст до 1024 токенов; для работы указана библиотека Transformers и формат весов safetensors.

По результатам карточки, на отложенной выборке из 40 примеров точность предпочтений выросла с 0,525 до 0,9. Дообучение проводилось два эпоха на 260 парах предпочтений; небольшая выборка и метки от LLM-судьи ограничивают обобщение, а DPO улучшает предпочтительный стиль ответов, но не добавляет новых способностей. Модель ориентирована на английский язык. Лицензия в предоставленных данных не указана. Карточка отдельно предупреждает, что модель не предназначена для юридических или финансовых консультаций.

Сценарии применения

  • ответы на вопросы по заданному вопросу без поиска по документам
  • получение кратких и менее многословных ответов
  • сравнение вариантов ответа по предпочтительному стилю
  • экспериментальная оценка предпочтений ответов на английском языке

Ограничения

Дообучение основано на небольшом числе пар предпочтений, а метки от LLM-судьи могут переносить его слепые зоны; улучшение предпочтений не означает появления новых способностей. Не следует использовать модель для 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

slm-500m-qa-DPO

DPO applied to thesreedath/slm-500m-qa, a QA-SFT model, to sharpen answer quality on closed-book (question only) prompts.

Results

metricbeforeafter
preference accuracy (held-out)0.5250.9
chosen-vs-rejected logprob margin18.393539.9753

Trained 2 epochs, beta 0.1, 64 steps on 260 pairs (40 held out), in 49s.

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 plain_qa:

Question: {question}\nAnswer:

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
LlamaForCausalLM
Ревизия весов
23166d6

0 моделей