/ Модель

Характеристики

Контекст
1 024 токена
Параметры
126 млн
Лицензия
MIT
Архитектура
llama · dense
Базовая модель
slm-125m-sft
Библиотека
transformers
Опубликована
9 авг 2026

slm-125m-dpo

Генерация текстаТекст → текст3 профессии

Экспериментальная DPO-версия компактной Llama для извлечения ответов из юридических и финансовых текстов с отказом при отсутствии подтверждений.

22скачиваний за 30 дней0лайковвеса обновлены9 авг 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

slm-125m-dpo — плотная авторегрессионная Llama-модель на 125,8 млн параметров, разработанная Prajwal55 как эксперимент по извлечению ответов из предоставленного текста в юридическом и финансовом контексте. Это DPO-дообучение модели prajwal55/slm-125m-sft на примерно 1 200 парах предпочтений; модель генерирует текст и рассчитана на короткий контекст длиной 1 024 токена. В эксперименте доля отказов на вопросах без ответа в отложенной выборке выросла до 60,3%, но модель также ошибочно отказывается от 26,3% вопросов, на которые текст отвечает, а token F1 снизился с 0,590 до 0,456. Автор прямо характеризует чекпойнт как исследовательский артефакт, непригодный для практического применения. Лицензия — MIT.

Сценарии применения

  • эксперименты с отказом отвечать на вопросы без опоры в тексте
  • извлечение ответов из предоставленных юридических фрагментов
  • извлечение ответов из финансовых документов
  • оценка компромисса между отказами и точностью ответов

Ограничения

Модель ошибочно отказывается более чем от четверти вопросов, ответ на которые есть в тексте, и уступает SFT-базе по token F1. Она предназначена для извлечения по предоставленному фрагменту, а не для ответов без контекста; автор считает чекпойнт непригодным для 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

slm-125m-dpo

125M-parameter legal/financial model, preference-optimized with DPO on top of prajwal55/slm-125m-sft.

Abstention on held-out unanswerable questions rose from 0.0% to 60.3%. It also declines on 26.3% of questions the passage does answer, and token F1 fell from 0.590 to 0.456.

This is a research artifact, not a usable model. Refusing a quarter of answerable questions is not an acceptable operating point. It is published because the measured trade-off is the result, not because the checkpoint is good.

What this phase was trying to fix

The supervised model answers questions its passage does not support — it invents a plausible fact instead of declining. That failure has no gradient in supervised fine-tuning, because the training data contains 8,000 examples of answering and none of declining.

Two axes only: abstention (decline when unsupported) and faithfulness (when supported, keep every claim traceable to a span).

Results

All checkpoints below were trained from the same SFT policy on the same 1,210 frozen preference triples, so the only variable is the algorithm and its hyperparameters. Held-out set is 121 unanswerable prompts, carved before any training and disjoint by source passage. Greedy decoding.

MetricSFT baselineDPO beta=0.1, 1 epochDPO beta=0.1, 2 epochsDPO beta=0.3DPO beta=0.5PPO
Abstention (held-out, 121)0.0%60.3%66.1%0.0%0.0%0.0%
False abstention0.0%26.3%34.7%0.0%0.0%0.0%
Token F1 (1,003 answerable)0.5900.4560.4000.5850.5920.563
Exact match11.4%6.6%4.8%11.3%11.8%11.9%
Numeric fidelity98.1%99.2%99.2%98.8%99.0%93.5%
KL from SFT0.00000.31590.67920.02270.01660.0628

Abstention alone is gameable — a model that declines everything scores 100%. Read it beside false abstention or not at all.

Why this is the 1-epoch checkpoint

The configured run was 2 epochs. Its own epoch-1 checkpoint strictly dominates the finished one:

abstentionfalse abstentionratiotoken F1KL from SFT
epoch 1 (this model)60.3%26.3%2.290.4560.316
epoch 266.1%34.7%1.900.4000.679

The second epoch bought +5.8 points of abstention for +8.4 points of false abstention — a losing trade — while doubling the drift from the SFT policy. (Ratio is abstention ÷ false abstention; 1.0 means declining at random.)

The headline finding

DPO can consume off-policy chosen text; PPO cannot. With a 0.00% base rate for the target behaviour, DPO was handed decline text and moved likelihood mass onto it directly. PPO could only reinforce what it sampled, and it never sampled a decline.

Abstention has a KL threshold, not a smooth trade-off. Nothing below KL ~0.06 from the SFT policy abstains at all; token F1 falls monotonically with KL regardless of which algorithm caused the drift.

Usage

from transformers import AutoTokenizer, LlamaForCausalLM

tok = AutoTokenizer.from_pretrained("prajwal55/slm-125m-dpo")
model = LlamaForCausalLM.from_pretrained("prajwal55/slm-125m-dpo")

prompt = ("<|bos|><|system|>You are a legal and financial assistant. Answer the "
          "question using only the passage provided. Be precise and concise."
          "<|user|>" + passage + "\n\nQuestion: " + question + "<|assistant|>")
ids = tok(prompt, add_special_tokens=False, return_tensors="pt")
out = model.generate(**ids, max_new_tokens=160, do_sample=False,
                     eos_token_id=tok.convert_tokens_to_ids("<|eos|>"),
                     pad_token_id=tok.convert_tokens_to_ids("<|pad|>"))

Resolve stop and pad ids from the tokenizer, not from LlamaConfig defaults — this tokenizer is bos=0, eos=1, pad=2.

Limitations

  • Not usable closed-book. It is a grounded-extraction model over a supplied passage, at 125.8M parameters.
  • Declines on more than a quarter of answerable questions.
  • Trained on ~1,200 preference pairs. Nothing here is a general claim about DPO or PPO — it is a claim about these algorithms meeting a target behaviour with a zero base rate.
  • Checkpoint: /data/checkpoints/dpo/beta0.1/epoch-1.

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
aee8870

0 моделей