Компактная модель Llama на 125,8 млн параметров, дообученная методом DPO для генерации более полных и тематически точных текстовых ответов.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
slm-125m-instruct-dpo — компактная языковая модель семейства Llama, разработанная sudhisrk1982 и дообученная методом Direct Preference Optimization (DPO) на синтетических предпочтениях, созданных с помощью моделей Gemini. Она предназначена для генерации ответов и диалоговых сценариев: автор сообщает, что ответы стали полнее и точнее соответствуют теме по сравнению с исходной SFT-моделью. Модель содержит 125,8 млн параметров, принимает текст и имеет контекст длиной 1024 токена.
Для обучения использовали 500 наборов предпочтений: выбранные ответы сгенерировала Gemini 2.5 Flash-Lite, отклонённые — исходная SFT-модель, а предпочтения оценивала Gemini 2.5 Flash. В карточке приведены результаты валидации, но независимые оценки качества не указаны. Модель распространяется в формате safetensors по лицензии Apache-2.0.
Контекст ограничен 1024 токенами; модель небольшая, а заявленное улучшение основано на валидации автора и не подтверждено независимой оценкой. Язык обучения и фактический охват языков в карточке не описаны.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
RLAIF (DPO (Direct Preference Optimization)) refinement of sudhisrk1982/slm-125m-instruct,
trained on 500 AI-generated preference triplets (chosen from
Gemini 2.5 Flash-Lite, rejected sampled from the SFT model itself, judged by
Gemini 2.5 Flash).
Result: coherent improvement. Answers are more complete and on-topic than the SFT baseline. DPO was the most stable of the three methods (val loss 0.30, preference accuracy 1.00).
Not legal advice.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…