/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
15 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
llama · dense
Опубликована
20 апр 2024

FsfairX-LLaMA3-RM-v0.1

Классификация текстаТекст → label3 профессии

Модель вознаграждения на базе Llama 3 оценивает ответы и диалоги для применения в RLHF, PPO, итеративном SFT и DPO.

873скачиваний за 30 дней60лайковвеса обновлены14 окт 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

sfairXC/FsfairX-LLaMA3-RM-v0.1 — модель вознаграждения на базе Meta-Llama-3-8B-Instruct, представленная авторами исследования «RLHF Workflow: From Reward Modeling to Online RLHF» (TMLR, 2024). Она оценивает диалоги и ответы, выдавая оценку для использования в обучении с обратной связью от человека.

Модель предназначена для reward modeling в RLHF-конвейерах, в том числе для PPO, итеративного SFT и итеративного DPO. Это плотная архитектура Llama с 7,5 млрд параметров и контекстом до 8192 токенов; в репозитории веса в формате safetensors. В карточке приведены результаты Reward-Bench, включая оценки для Chat, Chat Hard и Safety.

Лицензия — CC BY-NC 4.0, поэтому коммерческое использование ограничено её условиями. Качество оценивания зависит от данных и сценария применения; модель предназначена для выдачи оценок, а не для самостоятельной генерации ответов.

Сценарии применения

  • оценивание ответов чат-модели в RLHF
  • формирование сигналов вознаграждения для PPO
  • оценивание ответов в итеративном DPO
  • оценивание диалогов при итеративном SFT
  • сравнение качества диалоговых ответов на бенчмарках

Ограничения

Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. Модель выдаёт оценки для обучающих конвейеров и сама по себе не предназначена для генерации ответов.

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

This reward function can be used for RLHF, including PPO, iterative SFT, iterative DPO.

The license is derived from PKU-Alignment/PKU-SafeRLHF-30K.

Training

The base model is meta-llama/Meta-Llama-3-8B-Instruct.

We use the training script at https://github.com/WeiXiongUST/RLHF-Reward-Modeling.

Uses

  from transformers import AutoTokenizer, pipeline
  rm_tokenizer = AutoTokenizer.from_pretrained("sfairXC/FsfairX-LLaMA3-RM-v0.1")
  device = 0 # accelerator.device
  rm_pipe = pipeline(
      "sentiment-analysis",
      model="sfairXC/FsfairX-LLaMA3-RM-v0.1",
      #device="auto",
      device=device,
      tokenizer=rm_tokenizer,
      model_kwargs={"torch_dtype": torch.bfloat16}
  )

  pipe_kwargs = {
      "return_all_scores": True,
      "function_to_apply": "none",
      "batch_size": 1
  }

  chat = [
   {"role": "user", "content": "Hello, how are you?"},
   {"role": "assistant", "content": "I'm doing great. How can I help you today?"},
   {"role": "user", "content": "I'd like to show off how chat templating works!"},
  ]

  test_texts = [rm_tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=False).replace(rm_tokenizer.bos_token, "")]
  pipe_outputs = rm_pipe(test_texts, **pipe_kwargs)
  rewards = [output[0]["score"] for output in pipe_outputs]

Results

This Reward model is the SOTA open-source RM (Apr 20, 2024) on Reward-Bench.

MetricScore
Chat99.44
Chat Hard65.13
Safety88.76
Reasoning88.3

References

The repo was part of the iterative rejection sampling fine-tuning and iterative DPO. If you find the content of this repo useful in your work, please consider cite it as follows:

@article{dong2023raft,
  title={Raft: Reward ranked finetuning for generative foundation model alignment},
  author={Dong, Hanze and Xiong, Wei and Goyal, Deepanshu and Pan, Rui and Diao, Shizhe and Zhang, Jipeng and Shum, Kashun and Zhang, Tong},
  journal={arXiv preprint arXiv:2304.06767},
  year={2023}
}

@misc{xiong2024iterative,
      title={Iterative Preference Learning from Human Feedback: Bridging Theory and Practice for RLHF under KL-Constraint}, 
      author={Wei Xiong and Hanze Dong and Chenlu Ye and Ziqi Wang and Han Zhong and Heng Ji and Nan Jiang and Tong Zhang},
      year={2024},
      eprint={2312.11456},
      archivePrefix={arXiv},
      primaryClass={cs.LG}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForSequenceClassification
Ревизия весов
94fad49

0 моделей