/ Модель

Характеристики

Контекст
8 192 токена
Параметры
354 млн
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
aaie-gft-full-fg-8k
Библиотека
transformers
Опубликована
13 сен 2026

aaie-gft-full-fg-8k-dpo

Генерация текстаТекст → текст3 профессии

Дообученная методом DPO модель Llama для генерации англоязычной структурированной обратной связи по учебным работам и критериям рубрики.

543скачиваний за 30 дней0лайковвеса обновлены13 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

aaie-gft-full-fg-8k-dpo — модель генерации образовательной обратной связи, созданная дообучением moinsaj/aaie-gft-full-fg-8k методом DPO. Она принимает один запрос с данными учебной работы и критериями рубрики и должна выдавать JSON с оценками, статусами и комментариями по критериям, а также общей обратной связью о качестве, сильных сторонах, слабых местах и следующих шагах. Модель построена на плотной архитектуре LlamaForCausalLM, содержит 354,4 млн параметров и поддерживает контекст до 8192 токенов с масштабированием YaRN. Она ориентирована на англоязычные сценарии и обучалась предпочитать конкретные комментарии, привязанные к критериям.

Модель предназначена для подготовки формирующей обратной связи по учебным работам на основе заданной рубрики. В проверке на 10 примерах ни один ответ полностью не соответствовал контракту: модель может добавлять несуществующие идентификаторы критериев, а подробные ответы могут упираться в лимит генерации. Результаты следует проверять приложением; для строгого соответствия можно ограничить генерацию допустимыми идентификаторами. Лицензия указана как other, конкретные условия в карточке не описаны.

Сценарии применения

  • Подготовка комментариев к каждому критерию учебной рубрики
  • Выставление оценок по критериям на основе работы ученика
  • Формирование общей обратной связи о сильных сторонах и пробелах работы
  • Предложение следующих шагов для улучшения учебной работы

Ограничения

В проверке из README ни один из 10 ответов полностью не соблюдал заданный JSON-контракт: модель может выдумывать идентификаторы критериев или не завершать подробный ответ в пределах лимита токенов. Результаты следует валидировать; для строгого соответствия рекомендуется ограниченная генерация.

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

aaie-gft-full-fg-8k-dpo

DPO fine-tune of moinsaj/aaie-gft-full-fg-8k — a criterion-grounded educational feedback-generation (FG) model with YaRN 8x context scaling (8,192-token context) — trained to prefer honest, criterion-grounded feedback over feedback that either hallucinates a rubric criterion that doesn't exist, or is generic/non-grounded instead of specific. Trained with TRL's DPOTrainer on preference pairs built from a rubric-grading dataset; see the training code and full data-preparation details at dpo-fg/ in the source repo.

Request/response contract

This model expects a single user turn (no system/multi-turn) with a compact JSON input block and a trailing Response: marker:

Generate criterion-grounded educational feedback for the supplied assignment, rubric, and
student submission. Return JSON only. Use every rubric criterion identifier exactly once.

Input:
{"assignment_description": "...", "assignment_types": ["essay"], "domain": "...",
 "rubric": {"rubric_id": "...", "rubric_origin": "...", "criteria": [{"criterion_id": "c1",
 "name": "...", "description": "...", "assignment_excerpt": "", "performance_descriptors": {},
 "weight": null}, ...]}, "submission": {"final_submission": "..."}}

Response:

Expected output is one JSON object with four top-level keys in this order: criterion_scores (int 0-10 or null per criterion id), criterion_status ("assessed"/"not_assessable"), criterion_feedback (non-empty string per criterion id), and overall_feedback (academic_quality/next_steps/strengths/weaknesses, all non-empty strings). The criterion-id set in each map must exactly match the input rubric's criterion ids.

Quick start

from transformers import AutoModelForCausalLM, AutoTokenizer

MODEL_ID = "namquangstudy/aaie-gft-full-fg-8k-dpo"
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
model = AutoModelForCausalLM.from_pretrained(MODEL_ID)

user_content = (
    "Generate criterion-grounded educational feedback for the supplied assignment, rubric, "
    "and student submission. Return JSON only. Use every rubric criterion identifier exactly "
    "once.\n\nInput:\n{...see contract above...}\n\nResponse:"
)
prompt = tokenizer.apply_chat_template(
    [{"role": "user", "content": user_content}], tokenize=False, add_generation_prompt=True,
)
inputs = tokenizer(prompt, return_tensors="pt")
im_end_id = tokenizer.convert_tokens_to_ids("<|im_end|>")
out = model.generate(
    **inputs, max_new_tokens=1280, do_sample=False,
    eos_token_id=[im_end_id, tokenizer.eos_token_id], pad_token_id=tokenizer.eos_token_id,
)
print(tokenizer.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))

Explicitly passing eos_token_id=[im_end_id, tokenizer.eos_token_id] matters — some downstream tooling defaults only to tokenizer.eos_token_id, which does not include the chat template's actual turn-end token (<|im_end|>) on every environment; passing both avoids ungoverned generation past the intended stop point.

Training procedure

TRL DPOTrainer: policy + a frozen reference model, both initialized from moinsaj/aaie-gft-full-fg-8k. Learning rate 5e-7, β=0.1, 2 epochs, batch size 1 with gradient accumulation 16, max_length=4096. 300 preference pairs (270 train / 30 eval), each pair sharing the same student submission and rubric, differing only in the feedback JSON returned — one criterion-grounded and contract-valid, the other either hallucinating an extra criterion id or giving generic, non-grounded feedback.

Result: reward accuracy converged to 1.0 on held-out pairs, reward margin grew from 0.28 to 6.65 over training, eval loss dropped from 0.10 to 0.013.

Known limitation

Validating both the base model and this DPO'd checkpoint against the response contract above (10 held-out samples each, 1280-token generation budget) found 0/10 fully contract-valid outputs for either model. Most failures are outputs that stop cleanly but still include an invented criterion id not present in the input rubric (sometimes not even present in that same response's own criterion_scores); the rest hit the token budget on genuinely detailed feedback. This is a pre-existing gap in the base model, not something this DPO run introduced or fixed — the training data's only hallucination pattern is a single fixed extra id, which was not diverse enough to teach general "never invent an id" behavior. The DPO objective itself was learned correctly (reward accuracy 1.0) but does not generalize to this failure mode. Do not treat this checkpoint's JSON output as reliably schema-valid without an application-level validator, and consider decode-time constraints (grammar-guided generation restricted to the real rubric's criterion ids) if strict validity is required.

Framework versions

  • TRL: 1.4.0
  • Transformers: 4.57.1
  • Pytorch: 2.7.1+cu118
  • Datasets: 4.8.5
  • Tokenizers: 0.22.1

Citations

Cite DPO as:

@inproceedings{rafailov2023direct,
    title        = {{Direct Preference Optimization: Your Language Model is Secretly a Reward Model}},
    author       = {Rafael Rafailov and Archit Sharma and Eric Mitchell and Christopher D. Manning and Stefano Ermon and Chelsea Finn},
    year         = 2023,
    booktitle    = {Advances in Neural Information Processing Systems 36: Annual Conference on Neural Information Processing Systems 2023, NeurIPS 2023, New Orleans, LA, USA, December 10 - 16, 2023},
    url          = {http://papers.nips.cc/paper_files/paper/2023/hash/a85b405ed65c6477a4fe8302b5e06ce7-Abstract-Conference.html},
    editor       = {Alice Oh and Tristan Naumann and Amir Globerson and Kate Saenko and Moritz Hardt and Sergey Levine},
}

Cite TRL as:

@software{vonwerra2020trl,
  title   = {{TRL: Transformers Reinforcement Learning}},
  author  = {von Werra, Leandro and Belkada, Younes and Tunstall, Lewis and Beeching, Edward and Thrush, Tristan and Lambert, Nathan and Huang, Shengyi and Rasul, Kashif and Gallouédec, Quentin},
  license = {Apache-2.0},
  url     = {https://github.com/huggingface/trl},
  year    = {2020}
}

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
339478c

0 моделей