/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
15,2 ГБ
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
16 сен 2026

UW1-DPO-soft

Генерация текстаТекст → текст8 профессий

Диалоговая модель Qwen2.5-7B, дообученная методом DPO с мягкими метками предпочтений для генерации текста и ответов в чате.

794скачиваний за 30 дней0лайковвеса обновлены17 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.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

UW1-DPO-soft — диалоговая языковая модель на архитектуре Qwen2 с 7,1 млрд параметров, разработанная авторами репозитория promotion. Она дообучена методом DPO с мягкими метками предпочтений и β_DPO = 0,1 на базе Qwen/Qwen2.5-7B-Instruct. Модель предназначена для генерации текста и диалогов; карточка описывает экспериментальное сравнение вариантов обучения на одном протоколе.

Для обучения использовались 319 обучающих и 83 проверочных запроса из отфильтрованной выборки WildChecklists. В README приведены результаты тестов языковых возможностей и предпочтений, но авторы отмечают, что различия между вариантами не превышают одной стандартной ошибки, использован один seed, а оценки локальных судей не являются результатами лидербордов. Контекст модели составляет 32 768 токенов; доступны веса safetensors и интерфейс для вызова инструментов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • генерация ответов в диалоге
  • сравнение вариантов обучения по предпочтениям
  • выполнение текстовых инструкций
  • генерация текста с вызовом инструментов

Ограничения

Обучение и оценка выполнены на отфильтрованной подвыборке и с одним seed; различия между вариантами не превышают одной стандартной ошибки. Приведённые оценки получены локальными судьями и не являются результатами лидербордов; лицензия не установлена по предоставленным данным.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

UW1-DPO-soft

DPO on the mean-preference oracle with soft labels, beta_DPO = 0.1

Fine-tuned from Qwen/Qwen2.5-7B-Instruct. One of five arms trained and evaluated under a single protocol so that the only difference between them is the loss.

Training

PanelWildChecklists, four native checklist items per prompt
Prompts319 train / 83 dev
Learner pairs8,932 train (all 28 unordered pairs of 8 sampled responses)
Optimizer steps140 at batch size 128, two epochs
Learning rate3e-7 cosine, warmup 0.1, weight decay 1e-6, grad clip 1.0
Policy seed42 (one seed)
Candidate pool8 learner + 8 reference occurrences, temperature 1, top-p 1, 1024 tokens
Training judgelocal open-weight judge, two judgments per pair and item, both orders

Measurements

Capability columns come from one local harness at the declared few-shot counts; the two preference columns are win rates against each benchmark's released baseline answers, judged by a local 72B open-weight model in both presentation orders.

ModelMMLUARC-CHellaSwagWinoGrandeTruthfulQAGSM8KIFEvalArena-HardAlpacaEvalMT-Bench
base (untrained)0.74270.67240.81410.74980.64800.72100.56750.71650.30758.3063
UW1-NBPO-PW0.74310.67060.81480.75610.64710.72400.57300.72800.31498.3125
UW1-FixedRefNash-PW0.74310.67150.81340.75530.64740.72930.57120.73150.31808.3000
UW1-DPO-soft0.74300.67060.81290.75610.64750.73010.56560.71000.31468.2250
UW1-INPO-soft0.74280.67150.81440.75140.64690.72710.58230.74350.33328.2025
UW1-SPPO0.74270.67320.81480.75140.64390.73310.56930.74300.36688.3526
UW1-PROSPER0.74270.66980.81350.74740.64850.73010.55450.72450.30538.3019

Three limits that apply to every row

  1. The prompt set is a filtered subset. 2,000 prompts were requested; 750 were judged under a reduced budget, 660 had complete feedback, 344 passed the Nash certificate and 319 survived the representability filter. The surviving prompts are those with a strictly positive bargaining surplus, so the panel is not a random sample of the dataset.
  2. One seed. Differences between these arms cannot be separated from policy-seed variance, and none of the differences measured so far exceeds a single standard error on any column.
  3. Local judges. No hosted API was called at any point. Arena-Hard normally judges with gpt-4-1106, AlpacaEval 2.0 with weighted_alpaca_eval_gpt4_turbo and MT-Bench with GPT-4; these numbers are comparable across the five arms and are not leaderboard scores.

The five arms

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForCausalLM
Ревизия весов
16d22d3

0 моделей