Модель promotion/Llama-3.1-8B-NBPO-UltraFeedback-eta0.05 — диалоговая языковая модель на архитектуре Llama, дообученная методом Nash Bargaining Preference Optimization (NBPO) на панели UltraFeedback. В качестве базовой модели и политики сравнения использована meta-llama/Llama-3.1-8B-Instruct; размер составляет 7,5 млрд параметров, максимальный контекст — 131 072 токена. Репозиторий использует Transformers и формат safetensors.

Модель предназначена для генерации ответов на инструкции с акцентом на следование инструкциям, правдивость, честность и полезность. В README описан эксперимент с 300 обновлениями оптимизатора и глобальным размером пакета 16; оценка проводилась на отложенных промптах без пересечения с обучающими, по отдельным целям, с использованием Llama-3.3-70B-Instruct в роли судьи. Указанная лицензия — llama3.1. Карточка не приводит численных результатов оценки, поэтому сравнительное качество модели по ней установить нельзя.