/ 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-RLAIF

Генерация текстаТекст → текст3 профессии

Компактная англоязычная модель для ответов на вопросы без предоставленного контекста, оптимизированная методом RLAIF с GRPO.

137скачиваний 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/slm-500m-qa-RLAIF — языковая модель на архитектуре Llama, дообученная методом RLAIF с GRPO на базе thesreedath/slm-500m-qa. Она предназначена для ответов на вопросы по закрытым знаниям, когда во входе есть только вопрос, без предоставленного контекста. Модель содержит 517,7 млн параметров, использует контекст до 1024 токенов и принимает запросы в формате «Question: {question}\nAnswer:». В карточке указан английский язык.

Дообучение оптимизировало качество и оформление ответов по оценкам модели-награды, обученной на предпочтениях, сгенерированных ИИ. Это может дать более краткие и последовательные ответы и форматирование, но не добавляет модели новых знаний или возможностей. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ответы на вопросы по общим знаниям без контекста
  • генерация кратких ответов в формате вопрос–ответ
  • эксперименты с оптимизацией предпочтений методом GRPO

Ограничения

Оптимизация проведена на небольшом наборе из 600 пар предпочтений, поэтому возможны ограничения качества и наследование слепых зон LLM-судьи. Модель не предназначена для предоставления юридических или финансовых рекомендаций.

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-RLAIF

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

Results

metricvalue
mean reward, first half of training3.4834
mean reward, last half11.8394
reward gain+8.356
mean KL to the frozen SFT reference0.568

300 prompts x group of 4, 75 steps, KL beta 0.04, in 275s.

How it was trained

RLAIF via GRPO. For each prompt the policy samples a group of 4 answers; a reward model trained on AI-generated preferences scores them; the advantage is each sample's reward minus the group mean, divided by the group standard deviation. GRPO rather than PPO because it needs no value network, so the policy, its frozen reference and the reward model fit together and the run stays short.

The reward model is a 125M backbone with a scalar head, trained by Bradley-Terry loss on all 600 preference pairs. It reached 93.3% accuracy on 60 held-out pairs (chance is 50%, and it measured 53.3% before training).

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
947f44c

0 моделей