/ Модель

Характеристики

Контекст
512 токенов
Параметры
212 млн
Архитектура
deberta-v2 · dense
Базовая модель
reward-model-deberta-v3-base
Библиотека
transformers
Опубликована
16 июл 2026

PM_deberta-v3-base-ultrafeedback-rm

Классификация текстаТекст → label3 профессии

Дообученная на базе DeBERTa-v3 модель оценивает текстовые ответы и может использоваться как reward model в RLHF.

14скачиваний за 30 дней0лайковвеса обновлены16 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

PM_deberta-v3-base-ultrafeedback-rm — дообученная модель оценки текста, созданная на базе OpenAssistant/reward-model-deberta-v3-base и обученная с помощью TRL. Она возвращает числовую оценку текста, поэтому может использоваться как reward model для сравнения или ранжирования ответов и как компонент контура RLHF.

Модель основана на архитектуре DeBERTa-v3-base с классификационной головой, содержит 211,6 млн параметров и принимает последовательности длиной до 512 токенов. Карточка описывает запуск через Transformers pipeline и выполнение оценки на GPU. Лицензия в доступных данных не указана.

Сценарии применения

  • оценка качества ответа языковой модели
  • ранжирование нескольких вариантов ответа
  • отбор предпочтительных ответов для обучения
  • вычисление награды в контуре RLHF

Ограничения

Максимальная длина входа составляет 512 токенов. Карточка не описывает языковой охват и область обучающих данных, поэтому качество для конкретных языков и типов текста по ней оценить нельзя.

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

Model Card for PM_deberta-v3-base-ultrafeedback-rm

This model is a fine-tuned version of OpenAssistant/reward-model-deberta-v3-base. It has been trained using TRL.

Quick start

from transformers import pipeline

text = "The capital of France is Paris."
rewarder = pipeline(model="payelb/PM_deberta-v3-base-ultrafeedback-rm", device="cuda")
output = rewarder(text)[0]
print(output["score"])

Training procedure

This model was trained with Reward.

Framework versions

  • TRL: 1.8.0
  • Transformers: 5.14.0
  • Pytorch: 2.11.0+cu128
  • Datasets: 5.0.0
  • Tokenizers: 0.22.2

Citations

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 · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
DebertaV2ForSequenceClassification
Ревизия весов
67de95e

0 моделей