Компактная модель семейства Llama, дообученная методом PPO для генерации инструктивных 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
sudhisrk1982/slm-125m-instruct-ppo — языковая модель для генерации текста, разработанная на основе sudhisrk1982/slm-125m-instruct. Это плотная causal language model семейства Llama с 125,8 млн параметров, представленная в формате safetensors; длина контекста составляет 1024 токена.
Модель прошла уточнение поведения методом RLAIF с PPO: использовались AI-сгенерированные предпочтения, reward model и critic. Она предназначена для генерации ответов в инструктивном формате. В карточке сообщается, что результат сопоставим с исходной SFT-моделью и стабилен; ответы остаются беглыми, но иногда отходят от темы.
Лицензия — Apache-2.0. README предупреждает, что модель не является юридической консультацией.
Ответы могут отклоняться от темы; заявленное качество сопоставимо с исходной SFT-моделью, а не превосходит её. Модель не предназначена для юридических консультаций.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
RLAIF (PPO (RLHF) with an AI-feedback reward model + critic) 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: comparable to SFT, stable. Strict actor-critic PPO (value head + GAE, 60 rollout steps). Reward rose steadily and KL stayed leashed; output remains fluent, occasionally off-topic.
Not legal advice.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…