/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,1 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
22 июн 2025

RLPR-Llama3.1-8B-Inst

Генерация текстаТекст → текст5 профессий

Диалоговая модель OpenBMB на базе Llama 3.1 8B, дообученная методом RLPR для генерации текста и улучшения рассуждений.

115скачиваний за 30 дней4лайкавеса обновлены30 июн 2025

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

RLPR-Llama3.1-8B-Inst — языковая модель OpenBMB, дообученная на базе Llama-3.1-8B-Instruct с помощью фреймворка RLPR. Метод использует вероятность генерации самой модели как сигнал вознаграждения и не требует внешнего верификатора. Модель содержит 7,5 млрд параметров, построена на плотной архитектуре LlamaForCausalLM и работает с контекстом до 131 072 токенов.

Модель предназначена для диалоговой генерации текста и улучшения рассуждений, в том числе решения математических задач. В карточке сообщается об улучшении результатов относительно базового подхода RLVR в среднем на 1,4 пункта по семи тестам. Заявленная применимость охватывает общие задачи рассуждения и разные области, но конкретные результаты зависят от задачи и оценки.

Модель принимает текст и генерирует текст; метаданные отмечают английский язык. Для запуска указана библиотека Transformers, веса доступны в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • решение математических задач в диалоге
  • пошаговое рассуждение по текстовым вопросам
  • ответы на общие вопросы с развёрнутым объяснением

Ограничения

Карточка сообщает об улучшении на бенчмарках, но не приводит их названия или подробные результаты; качество на конкретных пользовательских задачах может отличаться. В карточке подтверждён английский язык.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for RLPR-Llama3.1-8B-Inst

GitHub | Paper

RLPR-Llama3.1-8B-Inst is trained from Llama3.1-8B-Inst with the RLPR framework, which eliminates reliance on external verifiers and is simple and generalizable for more domains.

Model Details

Key Features

  • 💡 Verifier-Free Reasoning Enhancement: RLPR pioneers reinforcement learning for reasoning tasks by leveraging the LLM's intrinsic generation probability as a direct reward signal. This eliminates the need for external verifiers and specialized fine-tuning, offering broad applicability and effectively handling complex, diverse answers.
  • 🛠️ Innovative Reward & Training Framework:
    • Features a robust Probability-based Reward (PR) using average decoding probabilities of reference answers for higher quality, debiased reward signals, outperforming naive sequence likelihood.
    • Implements an standard deviation filtering mechanism that dynamically filters prompts to stabilize training and significantly boost final performance.
  • 🚀 Strong Performance in General & Mathematical Reasoning: Demonstrates substantial reasoning improvements across diverse benchmarks, surpassing the RLVR baseline for 1.4 average points across seven benchmarks.

image/png

Model Description

Usage

# pip install accelerate
import transformers
import torch

model_id = "openbmb/RLPR-Llama3.1-8B-Inst"

pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device_map="auto",
)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

outputs = pipeline(
    messages,
    max_new_tokens=256,
)
print(outputs[0]["generated_text"][-1])

Citation

If you find our model/code/paper helpful, please consider citing our papers 📝:

@misc{yu2025rlprextrapolatingrlvrgeneral,
      title={RLPR: Extrapolating RLVR to General Domains without Verifiers}, 
      author={Tianyu Yu and Bo Ji and Shouli Wang and Shu Yao and Zefan Wang and Ganqu Cui and Lifan Yuan and Ning Ding and Yuan Yao and Zhiyuan Liu and Maosong Sun and Tat-Seng Chua},
      year={2025},
      eprint={2506.18254},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2506.18254}, 
}

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
1463692

0 моделей