Это экспериментальный чекпойнт Llama-3.1-8B-Instruct, дообученный методом Nash Bargaining Preference Optimization (NBPO) на SafeRLHF для совместной оптимизации полезности и безвредности ответов. Модель основана на архитектуре Llama, содержит 7,5 млрд параметров и принимает текстовые инструкции и диалоговый контекст; заявленная длина контекста — 131 072 токена.

Чекпойнт предназначен для генерации диалоговых ответов с настройкой на предпочтения по полезности и безопасности. В описании приведён эксперимент по чувствительности к бюджету оптимизации: для сравнения использовались варианты на 300 и 600 обновлений, а оценивание проводилось на отложенных промптах с помощью Llama-3.3-70B-Instruct. Карточка указывает, что результаты по метрикам предпочли вариант на 300 обновлений, поэтому этот вариант на 600 обновлений следует рассматривать как исследовательский чекпойнт, а не как подтвержденно лучший вариант.

Модель распространяется по лицензии Llama 3.1. Для использования применяются условия лицензии Meta Llama 3.1; выводы карточки ограничены описанным экспериментальным протоколом и сами по себе не подтверждают качество или безопасность ответов во всех сценариях.