/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
15 ГБ
Лицензия
Llama 3
Архитектура
llama · dense
Опубликована
5 ноя 2024

QRM-Llama3.1-8B-v2

Классификация текстаТекст → label3 профессии

Модель на базе Llama 3.1 оценивает ответы языковых моделей распределением вознаграждений для сценариев RLHF.

217скачиваний за 30 дней4лайкавеса обновлены6 янв 2025

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

QRM-Llama3.1-8B-v2 — модель оценки вознаграждения для обучения с подкреплением на основе человеческих предпочтений (RLHF), разработанная Nicolai Dorka. Она формирует распределение возможных оценок вознаграждения, объединяя распределения по отдельным атрибутам, например полезности и безвредности; это позволяет использовать её для оценки ответов языковых моделей в сценариях RLHF.

Модель построена на базе Skywork/Skywork-Reward-Llama-3.1-8B-v0.2 и содержит 7,5 млрд параметров. Веса доступны в формате safetensors, контекст составляет 8192 токена. Для обучения gating network использовался датасет Skywork/Skywork-Reward-Preference-80K-v0.2. Лицензия — Llama 3.

Сценарии применения

  • оценка ответов языковой модели по полезности и безвредности
  • ранжирование ответов для обучения с подкреплением на основе предпочтений
  • получение распределения оценок вознаграждения для RLHF

Ограничения

Модель предназначена для оценки вознаграждения в RLHF; README не приводит количественных результатов оценки или подробностей о поведении за пределами описанного сценария.

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

Quantile Regression for Distributional Reward Models in RLHF

This model uses Skywork/Skywork-Reward-Llama-3.1-8B-v0.2 as backbone and used Skywork/Skywork-Reward-Preference-80K-v0.2 for training the gating network. Apart from this, it has been trained exactly as described in the tech report.

Demo Code

import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer
device = "cuda"
path = "nicolinho/QRM-Llama3.1-8B-v2"
model = AutoModelForSequenceClassification.from_pretrained(path, torch_dtype=torch.bfloat16, device_map=device, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(path, use_fast=True)
# We load a random sample from the validation set of the HelpSteer dataset
prompt = 'Does pineapple belong on a Pizza?'
response = "There are different opinions on this. Some people like pineapple on a Pizza while others condemn this."
messages = [{"role": "user", "content": prompt},
           {"role": "assistant", "content": response}]
input_ids = tokenizer.apply_chat_template(messages, return_tensors="pt").to(device)
with torch.no_grad():
   output = model(input_ids)
   # Expectation of the reward distribution
   reward = output.score.cpu().float() 
   # Quantile estimates for the quantiles 0.05, 0.1, ..., 0.9, 0.95 representing the distribution over rewards
   reward_quantiles = output.reward_quantiles.cpu().float()

# The attributes of the 5 reward objectives
attributes = ['helpsteer-helpfulness','helpsteer-correctness','helpsteer-coherence',
   'helpsteer-complexity','helpsteer-verbosity']

Citation

If you find this work useful for your research, please consider citing:

@article{dorka2024quantile,
  title={Quantile Regression for Distributional Reward Models in RLHF},
  author={Dorka, Nicolai},
  journal={arXiv preprint arXiv:2409.10164},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForRewardModelWithGating
Ревизия весов
d862cde

0 моделей