Характеристики

Контекст: 131 072 токена
Параметры: 7,5 млрд
Размер весов: 32,1 ГБ
Лицензия: Llama 3.1
Архитектура: llama · dense
Базовая модель: Llama-3.1-8B-Instruct
Библиотека: transformers
Опубликована: 7 сен 2026

Ссылки

Llama-3.1-8B-TLDR-NBPO-600updates

Генерация текстаТекст → текст4 профессии

Экспериментальная дообученная Llama 3.1 настраивается для кратких резюме, балансирующих полноту, достоверность, краткость и полезность.

72скачиваний за 30 дней0лайковвеса обновлены7 сен 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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

Экспериментальный чекпойнт promotion, полученный дообучением meta-llama/Llama-3.1-8B-Instruct методом Nash Bargaining Preference Optimization (NBPO) на наборе TL;DR. Модель предназначена для генерации кратких резюме с учетом нескольких целей: полноты охвата, достоверности, краткости и полезности.

Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, поддерживает диалоговый режим и контекст до 131 072 токенов. В карточке описан анализ чувствительности к бюджету обучения; оценка проводилась на отложенных промптах по сравнению с исходной политикой и не подтверждает широкое применение за пределами суммаризации TL;DR. Для использования действует лицензия Llama 3.1.

Сценарии применения

создание краткого резюме текста
сжатие длинного материала с сохранением основных фактов
подготовка лаконичного пересказа для диалогового сценария

Ограничения

Оценка описана для суммаризации TL;DR на отложенных промптах; результаты не подтверждают качество на других задачах или доменах. В абляции при улучшении nMSE снизилась доля побед по худшей цели относительно базовой политики.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

NBPO on TL;DR, 600 updates

Budget ablation on TL;DR: the held-out fit improves (nMSE 0.8960 vs 0.9022) while the worst-objective win rate falls (0.503 vs 0.528), which is why the realization criterion is not used to select the budget.

Panel: TL;DR
Objectives: coverage, faithfulness, conciseness, helpfulness
Backbone / reference policy: meta-llama/Llama-3.1-8B-Instruct
Training budget: 300 optimiser updates, global batch 16
Reported in: Nash Bargaining Preference Optimization (NBPO), Appendix: optimiser-budget sensitivity

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры: LlamaForCausalLM
Ревизия весов: 095c950