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
Это экспериментальный чекпойнт языковой модели на базе meta-llama/Llama-3.1-8B-Instruct, дообученный методом Nash Bargaining Preference Optimization (NBPO) на UltraFeedback. Модель предназначена для диалоговой генерации текста с акцентом на следование инструкциям, правдивость, честность и полезность.
В карточке описан вариант с 600 обновлениями оптимизатора; указано, что он отличается от опубликованной конфигурации бюджетом обучения. На отложенных запросах его показатель соответствия оценкам (nMSE 0,9836) близок к варианту с меньшим числом обновлений, а частота побед по худшему из отдельных критериев составляет 0,537 против 0,524. Модель использует архитектуру Llama с 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers.
Это экспериментальная конфигурация для изучения чувствительности NBPO к бюджету обновлений, а не заявленная авторами основная конфигурация. Оценка в карточке выполнена моделью Llama-3.3-70B-Instruct на промптах, не использовавшихся при обучении; результаты могут не переноситься на другие наборы данных и критерии. Лицензия — Llama 3.1 Community License.
Сценарии применения
генерация ответов на пользовательские инструкции
проверка экспериментального метода NBPO на UltraFeedback
сравнение бюджетов обновлений при настройке языковых моделей
создание диалоговых ответов с акцентом на правдивость и полезность
Ограничения
Это экспериментальная конфигурация с 600 обновлениями, отличающаяся от опубликованного варианта; карточка сообщает лишь о близких результатах на конкретном отложенном протоколе оценки. Языки отдельно не перечислены.
Для каких профессий подходит5
Разделы каталога профессий, в задачах которых используется эта модель
The optimiser-budget ablation: identical to the reported arm except for twice the updates. Held-out fit is unchanged (nMSE 0.9836 vs 0.9833) but the policy travels further and the worst-objective win rate is 0.537 vs 0.524. Not the reported configuration: no training-side quantity selects it.
Evaluation protocol: independent objective-wise win rate against the common reference,
judged by Llama-3.3-70B-Instruct on prompt-disjoint held-out prompts, both presentation orders.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров