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 вариант Llama-3.1-8B-Instruct, разработанный авторами работы Nash Bargaining Preference Optimization (NBPO) для сравнения методов многокритериальной настройки предпочтений на панели TL;DR. Модель дообучена методом SurplusMaxMin; от базового подхода NBPO она отличается выбором весов целевых критериев. Используется архитектура Llama для генерации текста, число параметров — 7,5 млрд, контекст — до 131 072 токенов.
Модель предназначена для диалоговой генерации и создания кратких пересказов с балансом охвата ключевой информации, точности, краткости и полезности. В отчёте модели оценивали на отложенных, не пересекающихся с обучающими промптах запросах: независимые показатели выигрыша по каждому критерию сравнивали с общей базовой моделью, а ответы оценивала Llama-3.3-70B-Instruct в обоих порядках предъявления.
Обучение составляло 300 шагов оптимизатора с глобальным размером пакета 16. Модель основана на meta-llama/Llama-3.1-8B-Instruct и распространяется в формате Safetensors по лицензии Llama 3.1. Карточка описывает сравнительную экспериментальную настройку; приведённый протокол оценки сам по себе не гарантирует качество на других данных и задачах.
Сценарии применения
создание кратких пересказов текстов
диалоговая генерация ответов
сравнение методов оптимизации предпочтений
оценка ответов по точности и полезности
Ограничения
Оценка проведена на отложенных промптах панели TL;DR и ограниченном бюджете в 300 шагов оптимизатора, поэтому результаты не гарантируют качество на других задачах и данных. Языковая поддержка отдельно не описана в предоставленных данных.
Для каких профессий подходит4
Разделы каталога профессий, в задачах которых используется эта модель
Matched game-aggregation control: same response pool, temperatures, disagreement point and optimiser budget as NBPO, differing only in how the objective weights are chosen.
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