/ Модель

Характеристики

Контекст
8 192 токена
Параметры
9 млрд
Размер весов
18,5 ГБ
Архитектура
gemma2 · dense
Базовая модель
gemma-2-9b-it
Опубликована
16 июл 2024

gemma-2-9b-it-DPO

Генерация текстаТекст → текст15 профессий

DPO-дообученная Gemma 2 9B для диалога и генерации текстовых ответов с учётом предпочтений.

61скачиваний за 30 дней9лайковвеса обновлены18 июл 2024

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 оценки6

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • MUSR

    MUSR Raw · выше — лучше

    Результат

    0,382

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • GPQA

    GPQA Raw · выше — лучше

    Результат

    0,3356

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • MMLU-PRO

    MMLU-PRO Raw · выше — лучше

    Результат

    0,3723

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • MATH Lvl 5

    MATH Lvl 5 Raw · выше — лучше

    Результат

    0,0831

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • IFEval

    IFEval Raw · выше — лучше

    Результат

    0,2769

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

  • BBH

    BBH Raw · выше — лучше

    Результат

    0,5941

    Open LLM v2 · архив

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

princeton-nlp/gemma-2-9b-it-DPO — авторская DPO-версия Gemma 2, дообученная командой Yu Meng, Mengzhou Xia и Danqi Chen из Princeton NLP на наборе предпочтений princeton-nlp/gemma2-ultrafeedback-armorm. Это плотная причинная языковая модель на 9 млрд параметров для диалога и генерации текста; она принимает текстовые запросы и выдаёт текстовые ответы. Контекст модели составляет 8192 токена. Модель основана на google/gemma-2-9b-it и использует лицензию Gemma.

DPO-настройка предназначена для улучшения соответствия ответов предпочтениям людей. Модель подходит для диалоговых помощников, ответов на вопросы, написания и редактирования текста, а также суммаризации. В опубликованной таблице оценок она превосходит базовую Gemma 2 9B IT по ряду показателей, включая AE2 и AlpacaEval 2, но результаты зависят от набора данных и протокола оценки.

Для запуска доступны веса в формате safetensors; метаданные указывают поддержку Transformers и интерфейс диалога. Следует учитывать, что модель унаследовала ограничения базовой Gemma и может выдавать неточные или предвзятые ответы; README не приводит отдельного перечня таких ограничений.

Сценарии применения

  • создание диалогового помощника
  • ответы на вопросы пользователей
  • написание и редактирование текстов
  • суммаризация документов
  • генерация ответов в стиле инструктивной модели

Ограничения

Как и другие языковые модели, может генерировать неточные или предвзятые ответы. В README не описаны отдельные тесты безопасности или ограничения применения.

Для каких профессий подходит15

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

gemma-2-9b-it-DPO Model Card

This model was trained under the same setup as gemma-2-9b-it-SimPO, with the DPO objective.

SimPO (Simple Preference Optimization) is an offline preference optimization algorithm designed to enhance the training of large language models (LLMs) with preference optimization datasets. SimPO aligns the reward function with the generation likelihood, eliminating the need for a reference model and incorporating a target reward margin to boost performance. Please refer to our preprint and github repo for more details.

Model Details

Model Description

We fine-tuned google/gemma-2-9b-it on princeton-nlp/gemma2-ultrafeedback-armorm with the DPO objective.

  • Developed by: Yu Meng, Mengzhou Xia, Danqi Chen
  • Model type: Causal Language Model
  • License: gemma
  • Finetuned from model: google/gemma-2-9b-it

Model Sources

How to Get Started with the Model

import torch
from transformers import pipeline

model_id = "princeton-nlp/gemma-2-9b-it-DPO"

generator = pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device="cuda",
)
outputs = generator([{"role": "user", "content": "What's the difference between llamas and alpacas?"}], do_sample=False, max_new_tokens=200)
print(outputs[0]['generated_text'])

Training Details

Training Data

We use princeton-nlp/gemma2-ultrafeedback-armorm as the preference optimization dataset.

Training Hyperparameters

We used the following hyperparameters:

  • learning rate: 5e-7
  • batch size: 128
  • beta: 0.01

The other hyperparameters are kept the same with our SimPO recipe.

Speeds, Sizes, Times

Fine-tuning the google/gemma-2-9b-it on princeton-nlp/gemma2-ultrafeedback-armorm takes around 150 mins to finish on 8xH100 GPUs.

Evaluation Results

modelsAE2 LCAE2 WRAE2 LengthAHAH LengthGSMGSM LengthMMLUMMLU Length
google/gemma-2-9b-it51.138.1157140.854587.439572.7515
princeton-nlp/gemma-2-9b-it-DPO67.865.4201658.971788.539272.2624
princeton-nlp/gemma-2-9b-it-SimPO72.465.9183359.169388.034172.2441

Technical Specifications

Model Architecture and Objective

The model architecture is based on google/gemma-2-9b-it. We use the DPO training objective.

Hardware

We used 8xH100 GPUs for model training.

Software

Training was done using the alignment-handbook library.

Citation

gemma model:

@article{gemma_2024,
    title={Gemma},
    url={https://www.kaggle.com/m/3301},
    DOI={10.34740/KAGGLE/M/3301},
    publisher={Kaggle},
    author={Gemma Team},
    year={2024}
}

DPO paper:

@article{rafailov2024direct,
  title={Direct Preference Optimization: Your language model is secretly a reward model},
  author={Rafailov, Rafael and Sharma, Archit and Mitchell, Eric and Manning, Christopher D and Ermon, Stefano and Finn, Chelsea},
  journal={Advances in Neural Information Processing Systems},
  volume={36},
  year={2024}
}

SimPO paper:

@article{meng2024simpo,
  title={{SimPO}: Simple preference optimization with a reference-free reward},
  author={Meng, Yu and Xia, Mengzhou and Chen, Danqi},
  journal={arXiv preprint arXiv:2405.14734},
  year={2024}
}

UltraFeedback paper:

@article{cui2023ultrafeedback,
  title={{UltraFeedback}: Boosting language models with high-quality feedback},
  author={Cui, Ganqu and Yuan, Lifan and Ding, Ning and Yao, Guanming and Zhu, Wei and Ni, Yuan and Xie, Guotong and Liu, Zhiyuan and Sun, Maosong},
  journal={arXiv preprint arXiv:2310.01377},
  year={2023}
}

ArmoRM paper:

@article{wang2024interpretable,
  title={Interpretable Preferences via Multi-Objective Reward Modeling and Mixture-of-Experts},
  author={Wang, Haoxiang and Xiong, Wei and Xie, Tengyang and Zhao, Han and Zhang, Tong},
  journal={arXiv preprint arXiv:2406.12845},
  year={2024}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma2ForCausalLM
Ревизия весов
f646c99

0 моделей