/ 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-ppo

Генерация текстаТекст → текст3 профессии

Экспериментальная англоязычная Llama-модель на 125,8 млн параметров для генерации ответов по предоставленным юридическим и финансовым отрывкам, дообученная с PPO.

23скачиваний за 30 дней1лайквеса 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-ppo — плотная авторегрессионная модель семейства Llama на 125,8 млн параметров, разработанная как этап эксперимента по предпочтительной оптимизации PPO для вопросов по юридическим и финансовым текстам. Она дообучена на базе prajwal55/slm-125m-sft и предназначена для извлечения ответов из предоставленного отрывка с сохранением опоры на его содержание. Модель принимает текст и генерирует текст; контекст — до 1024 токенов. В метаданных указан английский язык, библиотека Transformers и лицензия MIT.

Это отрицательная часть контролируемого сравнения алгоритмов, а не готовое средство для надёжного отказа от неподтверждённых ответов. На 121 отложенном вопросе без ответа модель не воздержалась ни разу; точность передачи чисел снизилась с 98,1% у исходной SFT-модели до 93,5%. Авторы сообщают, что PPO повышал награду, но не целевое поведение, и ограничивают выводы конкретным экспериментом на примерно 1 200 парах предпочтений. Модель не подходит для ответов без предоставленного текста. Лицензия — MIT.

Сценарии применения

  • извлечение ответов из предоставленного юридического отрывка
  • ответы на вопросы по финансовому тексту
  • экспериментальное сравнение PPO и DPO для языковых моделей

Ограничения

Модель не отказывается отвечать на неподдерживаемые отрывком вопросы и хуже исходной SFT-модели по приведённым метрикам, включая точность чисел. Она рассчитана на извлечение из предоставленного текста, а результаты относятся к ограниченному эксперименту и не обосновывают общих выводов о PPO.

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-ppo

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

This model did not learn to abstain. Its reward rose 3.6x during training and abstention on held-out unanswerable questions stayed at exactly 0 of 121. Numeric fidelity fell from 98.1% to 93.5%.

It is published as the negative half of a controlled comparison. A reward curve that climbs while the target metric does not move is the whole point.

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 it failed, measured rather than guessed

PPO reinforces what the policy samples. Sampling 4,000 completions on unanswerable questions from the starting policy produced 0 abstentions — the behaviour had a 0.00% base rate, so there was nothing to reinforce.

A pre-flight scored 8,000 on-policy completions with the reward model before the run:

on-policy pool A   median -0.349   p99 +3.969
teacher declines   median +9.625    p1 +7.624
declines at or below the on-policy p99:  0.0%

Zero overlap. The reward model does encode "decline" correctly — it just places it in a region of text space the policy never enters. PPO climbed ~1.2 points and remained ~6 short. That prediction was written down before the run.

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-ppo")
model = LlamaForCausalLM.from_pretrained("prajwal55/slm-125m-ppo")

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.
  • Does not decline at all, and is slightly worse than the SFT model it started from.
  • 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/ppo/kl0.05/final.

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
a3640d7

0 моделей