/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
gpt2 · dense
Базовая модель
gpt2
Библиотека
transformers
Опубликована
8 июл 2026

dpo-finetune-demo

Генерация текстаТекст → текст3 профессии

Компактная дообученная методом DPO модель GPT-2 для демонстрации генерации кратких и вежливых текстовых ответов.

23скачиваний за 30 дней0лайковвеса обновлены8 июл 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

Это компактная языковая модель на архитектуре GPT-2, дообученная методом Direct Preference Optimization (DPO) разработчиком narinzar. В репозитории размещены полные веса модели и токенизатор для загрузки через Transformers. Базовая модель — GPT-2 с 124 млн параметров, контекст составляет 1024 токена.

Модель демонстрирует настройку предпочтений для генерации вежливых, кратких ответов с употреблением слова «please». Для обучения использованы 358 пар предпочтений, автоматически размеченных эвристикой по наличию ключевого слова, вежливости и краткости; оценка win-rate использует ту же эвристику. Это учебная демонстрация полного DPO-конвейера, а не универсальный диалоговый помощник. Модель принимает текст и генерирует текст на английском языке. Лицензия — MIT.

Качество и стиль ответов ограничены небольшим размером модели и узкой целью обучения. Эвристическая функция предпочтений не заменяет человеческие оценки и допускает оптимизацию под формальные признаки; сохраняются ограничения и смещения GPT-2.

Сценарии применения

  • изучение полного цикла обучения DPO
  • демонстрация настройки предпочтений языковой модели
  • генерация кратких вежливых ответов со словом «please»

Ограничения

Модель мала и может выдавать короткие повторяющиеся ответы; предпочтения обучены по узкой эвристике, а не по человеческим оценкам, поэтому результат может подстраиваться под её формальные признаки. Наследует ограничения и смещения GPT-2 и не предназначена для производственного использования.

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

dpo-finetune-demo

A small gpt2 policy fine-tuned with Direct Preference Optimization (DPO) against a frozen gpt2 reference. It is a compact, self-contained demo of the full DPO pipeline: build preference pairs from a base model's own samples, train a from-scratch DPO loss against a frozen reference, and measure win-rate before vs after.

Code: https://github.com/narinzar/dpo-finetune-demo

What this is

  • Base model: gpt2 (124M).
  • Method: DPO loss implemented from scratch (src/dpo.py), policy trained against a frozen reference copy of gpt2.
  • Preference data: 358 pairs, auto-labeled by a transparent reward heuristic (keyword presence + politeness + conciseness in src/reward.py), not by humans. Candidates are sampled from the base gpt2 itself.
  • Target property: polite, concise answers that contain the keyword please.

This upload is the full fine-tuned model (safetensors + tokenizer), loadable directly with transformers.

Results (real, small-scale)

Measured on a single RTX 5090 (24 GB). 286 train / 72 eval pairs, beta=0.1, lr=1e-5, batch size 8, 3 epochs.

MetricValue
Win-rate before DPO (policy vs ref)0.500
Win-rate after DPO (policy vs ref)0.812
Final DPO loss0.199

Win-rate is judged by the same reward heuristic that labeled the pairs, so the dataset and the metric are aligned. Before training the policy is a copy of the reference, so win-rate sits at 0.500; after DPO it rises to 0.812. This is a small-scale demo, so the effect size is bounded by the tiny model and dataset; the point is the mechanism and the before/after direction, not a headline score.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

tok = AutoTokenizer.from_pretrained("narinzar/dpo-finetune-demo")
model = AutoModelForCausalLM.from_pretrained("narinzar/dpo-finetune-demo")

prompt = "How do I reset my password?"
ids = tok(prompt, return_tensors="pt")
out = model.generate(**ids, max_new_tokens=48, pad_token_id=tok.eos_token_id)
print(tok.decode(out[0], skip_special_tokens=True))

Limitations

  • Inherits all of gpt2's limitations and biases.
  • Preferences are defined by a heuristic reward proxy, not human judgment, so the model optimizes for that proxy (keyword + politeness + conciseness), which is a narrow and gameable target.
  • Small scale: outputs are still short and repetitive; treat this as an educational artifact, not a production assistant.

License

MIT.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
ee3c66c

0 моделей