promotion/Llama-3.1-8B-TLDR-NBPO-finitepool — диалоговая языковая модель на архитектуре Llama, дообученная на базе meta-llama/Llama-3.1-8B-Instruct методом Nash Bargaining Preference Optimization (NBPO) в варианте finite-pool. Она предназначена для генерации кратких пересказов TL;DR, ориентированных на полноту охвата, точность, краткость и полезность. В карточке указаны 7,5 млрд параметров и контекст до 131 072 токенов; модель использует Transformers и формат safetensors.

Обучение проводилось на пуле ответов с целями, полученными из попарных предпочтений. Качество оценивали по независимым показателям предпочтения для каждой цели на отложенных промптах, используя Llama-3.3-70B-Instruct как судью. Модель основана на Llama 3.1 8B Instruct и распространяется по лицензии Llama 3.1. README описывает эксперимент оценки на TL;DR, поэтому практические результаты за пределами этого сценария не подтверждены.