/ Модель

Характеристики

Лицензия
MIT
Базовая модель
distilbert-base-uncased
Библиотека
transformers
Опубликована
8 июл 2026

reward-model-from-scratch

Классификация текстаТекст → label

Демонстрационная модель на базе DistilBERT оценивает и сравнивает ответы на запрос по синтетически обученному правилу предпочтений.

0скачиваний за 30 дней0лайковвеса обновлены8 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Модель narinzar/reward-model-from-scratch — небольшая модель оценки предпочтений ответов, созданная на базе DistilBERT и опубликованная автором narinzar. Для пары ответов на один запрос она вычисляет отдельную скалярную оценку для каждого текста; предпочтительным считается ответ с более высоким баллом. Архитектура включает DistilBERT, усреднение представлений реальных токенов и линейную голову, выдающую скалярную награду. Модель обучалась с функцией потерь Bradley–Terry на синтетических парах предпочтений.

В демонстрационном эксперименте использовались 1447 синтетических пар, а качество оценивалось на отложенной выборке. Правило разметки предпочитало более длинные и вежливые ответы; поэтому заявленная точность 1,0 относится к этому простому синтетическому правилу и не показывает качество на реальных человеческих предпочтениях. Модель подходит для изучения или демонстрации reward modeling и ранжирования ответов, но автор не позиционирует её как готовую производственную модель. Базовая модель DistilBERT обучена на английском языке. Лицензия репозитория — MIT.

Сценарии применения

  • сравнение двух ответов на один запрос по оценке предпочтительности
  • ранжирование вариантов ответа чат-бота
  • демонстрация обучения reward model с Bradley–Terry loss

Ограничения

Обучена на небольшом синтетическом наборе, где предпочтение задаётся сочетанием большей длины и вежливости; качество на реальных и более шумных предпочтениях не установлено. Идеальная точность на отложенной выборке отражает простоту синтетического правила и не должна трактоваться как производительное качество.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

reward-model-from-scratch

A small reward model trained from scratch on pairwise preference comparisons: a scalar reward head on top of distilbert-base-uncased, trained with the Bradley-Terry loss (-log_sigmoid(r_chosen - r_rejected)), then evaluated by held-out pairwise accuracy and a calibration analysis (reliability diagram + ECE).

Code: https://github.com/narinzar/reward-model-from-scratch

Task

Reward modeling / text classification. Given two responses to the same prompt, the model assigns each a scalar reward; the preferred response should score higher.

Architecture

  • Base encoder: distilbert-base-uncased
  • Masked-mean pooling over real tokens, then Linear(hidden -> 1) producing one scalar reward per sequence
  • Trained with the Bradley-Terry loss on reward margins

Results (real, small-scale)

Measured on a single RTX 5090 (sm_120, CUDA 12.8 wheels). 1447 synthetic preference pairs (1158 train / 289 held-out eval), 3 epochs, batch size 16, lr 2e-5.

MetricValue
Held-out pairwise accuracy1.0000
Expected Calibration Error (ECE, 10 bins)0.0078

The perfect held-out accuracy reflects that the synthetic label rule (longer-and-more-polite) is fully learnable at this scale. On a real, noisier preference corpus expect accuracy below 1.0 and a larger calibration gap.

Training data

Synthetic. Preference pairs are generated and labelled by a transparent rule (longer-and-more-polite is preferred), clearly marked as synthetic in the source. This is a from-scratch demonstration, not a production reward model. Swap in a real preference corpus by replacing one data loader.

Files

  • reward_model.pt — checkpoint dict with state_dict, base_model_name, and max_length. Load with the RewardModel class from the GitHub repo.

License

MIT

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
0c94c91

0 моделей