/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
Apache 2.0
Архитектура
gpt2 · dense
Базовая модель
gpt2-imdb
Библиотека
transformers
Опубликована
10 июл 2026

ppo-gpt2-imdb

Генерация текстаТекст → текст3 профессии

GPT-2, дообученная методом PPO для генерации коротких продолжений отзывов с положительной тональностью и демонстрации пайплайна RLHF.

35скачиваний за 30 дней0лайковвеса обновлены10 июл 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

Модель sarimahsan101/ppo-gpt2-imdb разработана Syed Sarim Ahsan как образовательная демонстрация обучения с подкреплением по предпочтениям человека (RLHF). Это GPT-2, дообученная методом PPO с библиотекой Hugging Face TRL на основе lvwerra/gpt2-imdb. При обучении модель вознаграждалась за продолжения отзывов с положительной оценкой классификатора lvwerra/distilbert-imdb; данные взяты из набора IMDB Movie Reviews. Модель предназначена для генерации коротких продолжений кинорецензий и изучения PPO, RLHF и оптимизации по функции вознаграждения. Контекст составляет 1024 токена. Лицензия — Apache-2.0.

По приведённой в карточке оценке, среднее вознаграждение классификатора выросло с 0,3746 до 0,9814. Это отражает успешную оптимизацию именно по оценке тональности, но не гарантирует связность или соответствие продолжения исходному запросу: модель может игнорировать контекст и подбирать текст, который получает высокую оценку положительной тональности. Карточка позиционирует модель как учебный пример, а не как универсальную, чат- или производственную систему.

Сценарии применения

  • Изучение обучения GPT-2 методом PPO
  • Демонстрация пайплайна RLHF на отзывах IMDB
  • Генерация коротких продолжений кинорецензий с положительной тональностью
  • Изучение оптимизации генерации по оценке классификатора тональности

Ограничения

Оптимизация по вознаграждению положительной тональности может приводить к игнорированию смысла запроса и противоречивым продолжениям. Модель предназначена для обучения и экспериментов, а не для производственной генерации, чатов или следования инструкциям.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PPO-GPT2-IMDB

This model is a GPT-2 language model fine-tuned using Proximal Policy Optimization (PPO) with the Hugging Face TRL library.

The objective of training is to optimize generated movie review continuations using a sentiment reward model, demonstrating the core Reinforcement Learning from Human Feedback (RLHF) pipeline.

Base Model: lvwerra/gpt2-imdb

Reward Model: lvwerra/distilbert-imdb


Model Description

This repository demonstrates the classic RLHF workflow:

Prompt
   │
   ▼
GPT-2 Policy
   │
   ▼
Generated Review
   │
   ▼
DistilBERT Reward Model
   │
   ▼
Positive Sentiment Score
   │
   ▼
PPO Optimization

Rather than supervised fine-tuning, the model is updated using reinforcement learning to maximize the reward assigned by a pretrained sentiment classifier.


Training Details

Base Model

lvwerra/gpt2-imdb

A GPT-2 model already adapted to IMDB movie reviews.

Reward Model

lvwerra/distilbert-imdb

The reward for PPO is the probability assigned to the POSITIVE sentiment class.

Dataset

  • IMDB Movie Reviews
  • Source: stanfordnlp/imdb

During preprocessing:

  • Reviews longer than 200 characters are retained.
  • Random prompt lengths between 2 and 8 tokens are sampled.
  • PPO generates continuations between 4 and 16 tokens.

Training Configuration

ParameterValue
AlgorithmPPO
TRL Version0.11.4
Learning Rate1.41e-5
Batch Size128
Mini Batch Size16
PPO Epochs4
Adaptive KLEnabled
Initial KL Coefficient0.2
Target KL6.0

Evaluation

The policy was evaluated before and after PPO using identical prompts.

MetricBefore PPOAfter PPO
Mean Reward0.37460.9814
Minimum Reward0.00370.8970
Maximum Reward0.99410.9958

The model successfully learns to maximize the reward assigned by the sentiment classifier.


Example

Prompt

The movie started slow but

Generated Output

became a wonderful exercise in watching a film which makes you realise it's about love in a good way...

Prompt

The director did a great job with

Generated Output

the movie. In spite of the technical limitations of this film it was a really fun film to watch...

Limitations

This model is intended as an educational demonstration of RLHF.

Because the reward model measures only positive sentiment, PPO learns to maximize positive sentiment regardless of prompt consistency.

For example,

Prompt

I would not recommend this movie because

may become

it is entertaining, suspenseful and a fun ride!

Although this receives a high reward, it contradicts the prompt.

This behavior is a classic example of reward hacking (specification gaming) in reinforcement learning.


Intended Uses

✅ Learning PPO

✅ Understanding RLHF

✅ Studying reward optimization

✅ Educational demonstrations

✅ TRL examples


Not Intended For

  • Production text generation
  • Instruction following
  • Chat applications
  • General-purpose language modeling

Usage

Install

pip install transformers torch

Load the model

from transformers import AutoTokenizer, AutoModelForCausalLM

model_name = "sarimahsan101/ppo-gpt2-imdb"

tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

Generate Text

import torch

prompt = "The movie started slow but"

inputs = tokenizer(prompt, return_tensors="pt")

outputs = model.generate(
    **inputs,
    max_new_tokens=40,
    do_sample=True,
    top_p=0.9,
    temperature=0.8,
    pad_token_id=tokenizer.eos_token_id,
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Using the Transformers Pipeline

from transformers import pipeline

generator = pipeline(
    "text-generation",
    model="sarimahsan101/ppo-gpt2-imdb"
)

result = generator(
    "Honestly, the acting in this film",
    max_new_tokens=40,
    do_sample=True,
)

print(result[0]["generated_text"])

Software Versions

This model was trained using:

transformers==4.46.3
trl==0.11.4
accelerate==0.34.2
datasets==3.0.1
peft==0.13.2
tokenizers==0.20.3

Citation

If you use this model for educational or research purposes, please cite the repository.

@misc{ppo_gpt2_imdb,
  author = {Syed Sarim Ahsan},
  title = {PPO-GPT2-IMDB},
  year = {2026},
  publisher = {Hugging Face},
  url = {https://huggingface.co/sarimahsan101/ppo-gpt2-imdb}
}

Author

Syed Sarim Ahsan

  • AI Engineer
  • Computer Engineering Student
  • LLM & RLHF Researcher

GitHub: https://github.com/sarimahsan101

Hugging Face: https://huggingface.co/sarimahsan101

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GPT2LMHeadModel
Ревизия весов
ff70610

0 моделей