/ Модель

Характеристики

Контекст
1 024 токена
Параметры
126 млн
Архитектура
llama · dense
Базовая модель
slm125mlive-bhaskar-finetune
Библиотека
transformers
Опубликована
29 сен 2026

slm125mlive-qa-DPO

Генерация текстаТекст → текст4 профессии

Компактная англоязычная модель Llama, настроенная методом DPO для более качественных ответов на вопросы по предоставленным текстам.

139скачиваний 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/slm125mlive-qa-DPO — англоязычная компактная модель семейства Llama, разработанная на основе nagbhaskar55/slm125mlive-bhaskar-finetune. Это плотная авторегрессионная модель на 125,8 млн параметров с контекстом до 1024 токенов, предназначенная для генерации ответов на вопросы по предоставленному фрагменту текста. Модель дообучена методом Direct Preference Optimization (DPO), чтобы улучшить качество и согласованность ответов на запросы с пассажем и вопросом; она ожидает формат slm_chat.

Модель подходит для ответов по юридическим и финансовым текстам, извлечения сведений и суммаризации предоставленного материала. README сообщает об улучшении предпочтений на небольшой выборке пар ответов, поэтому результат следует считать настройкой качества ответов, а не появлением новых возможностей. Размер обучающей выборки ограничен, метки предпочтений получены от LLM-судьи, а модель не предназначена для юридических или финансовых консультаций. Метаданные указывают формат safetensors и библиотеку Transformers; сведения о лицензии отсутствуют.

Сценарии применения

  • ответы на вопросы по юридическим документам
  • ответы на вопросы по финансовым материалам
  • извлечение фактов из предоставленного фрагмента текста
  • суммаризация юридических и финансовых текстов

Ограничения

Контекст ограничен 1024 токенами, а DPO-настройка выполнена на небольшом наборе пар предпочтений, размеченных LLM-судьёй. Модель не предназначена для предоставления юридических или финансовых консультаций.

Для каких профессий подходит4

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

slm125mlive-qa-DPO

DPO applied to nagbhaskar55/slm125mlive-bhaskar-finetune, a QA-SFT model, to sharpen answer quality on grounded (passage + question) prompts.

Results

metricbeforeafter
preference accuracy (held-out)0.61.0
chosen-vs-rejected logprob margin56.058375.5719

Trained 2 epochs, beta 0.1, 64 steps on 260 pairs (40 held out), in 38s.

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 grounded 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 slm_chat:

<|bos|><|system|>{system}<|eos|><|user|>{passage}\n\n{question}<|eos|><|assistant|>

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
6a1aa18

0 моделей