/ Модель

Характеристики

Контекст
8 192 токена
Параметры
2,5 млрд
Размер весов
5 ГБ
Архитектура
gemma · dense
Опубликована
25 фев 2024

RM-Gemma-2B

Классификация текстаТекст → label3 профессии

Компактная модель оценки предпочтений на базе Gemma 2B для сравнения и ранжирования ответов языковых моделей.

658скачиваний за 30 дней25лайковвеса обновлены22 мар 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

RM-Gemma-2B — модель оценки предпочтений, созданная дообучением google/gemma-2b-it. Она присваивает оценку ответу и помогает сравнивать варианты по ожидаемому качеству; основное назначение — ранжирование ответов языковых моделей и поддержка обучения с обратной связью от предпочтений. Модель имеет плотную архитектуру GemmaForSequenceClassification, содержит 2,5 млрд параметров и рассчитана на контекст до 8192 токенов.

Обучение проведено на 250 тысячах пар сравнений из HH-RLHF, SHP, UltraFeedback, Capybara, HelpSteer и Orca. В описанных проверках модель показала результаты, близкие к более крупным системам на ряде наборов предпочтений. Для использования передаются текстовые варианты ответа, а модель выдаёт оценку или результат классификации. README не сообщает лицензию, поэтому условия распространения и коммерческого использования следует уточнить в карточке модели.

Сценарии применения

  • ранжирование нескольких ответов чат-бота по предпочтительности
  • оценка качества ответа языковой модели
  • выбор лучшего ответа для обучения по человеческим предпочтениям
  • сравнение ответов по полезности и корректности

Ограничения

Оценки отражают предпочтения и критерии обучающих наборов и могут не совпадать с оценками конкретного пользователя. README не указывает лицензию и не описывает языковое покрытие.

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

Reward Model Overview

The reward model is trained from the base model google/gemma-2b-it. See the 7B version RM-Gemma-7B.

The training script is available at https://github.com/WeiXiongUST/RLHF-Reward-Modeling .

Model Details

If you have any question with this reward model and also any question about reward modeling, feel free to drop me an email with wx13@illinois.edu. I would be happy to chat!

Dataset preprocessing

The model is trained on a mixture of

The total number of the comparison pairs is 250K, where we perform the following data selection and cleaning strateges:

  • HH-RLHF: we use all the base, rejection sampling, and online subsets but delete the samples whose chosen == rejected, leading to 115547;
  • SHP: we only use the samples with score ratio > 2, for each prompt, we only take 1 comparison, leading to 55916;
  • Ultrafeedback: similar to UltraFeedback-Binarized, we use the fine-grained score instead of the overall one to rank samples. Meanwhile, for each prompt, we take the best one v.s. random chosen one in the remaining samples. Finally, we delete the selected pairs with equal scores, leading to 62793.
  • HelpSteer: we use the mean of helpfulness and correctness to rank samples. Meanwhile, we take the best sample v.s. the random chosen one in the remaining samples. Finally, we delete the selected pairs with equal scores, leading to 8206;
  • Capybara: we delete the pairs whose chosen and rejected samples are of the same rating, leading to 7562;
  • Orca: we delete the pairs whose chosen and rejected samples are of the same rating, leading to 6405.

Training

We train the model for one epoch with a learning rate of 1e-5, batch size 256, cosine learning rate decay with a warmup ratio 0.03. We present the training curve as follows.

Training Loss

Uses

  from transformers import AutoTokenizer, pipeline
  rm_tokenizer = AutoTokenizer.from_pretrained("weqweasdas/RM-Gemma-2B")
  device = 0 # accelerator.device
  rm_pipe = pipeline(
      "sentiment-analysis",
      model="weqweasdas/RM-Gemma-2B",
      #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 = [tokenizer.apply_chat_template(chat, tokenize=False, add_generation_prompt=False).replace(tokenizer.bos_token, "")]
  pipe_outputs = rm_pipe(test_texts, **pipe_kwargs)
  rewards = [output[0]["score"] for output in pipe_outputs]

Results

We collect the existing preference datasets and use them as a benchmark to evaluate the resulting reawrd model.

Note that for MT-Bench dataset (lmsys/mt_bench_human_judgments), we delete the samples with tie as the comparison results. The Alpaca data is from Here.

Model/Test setHH-RLHF-HelpfulSHPHelpsteer helpful + correctnessHelpsteer AllMT Bench HumanMT Bench GPT4Alpaca HumanAlpaca GPT4Alpca Human-crossed
UltraRM-13B0.710.730.720.720.780.90.650.830.62
Pair-RM0.650.560.620.60.740.820.620.750.59
RM-Gemma-2B0.680.730.680.720.770.870.630.780.59

Reference

To be added. The reward model may be readily used for rejection sampling finetuning (

@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}
}

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
GemmaForSequenceClassification
Ревизия весов
7746149

0 моделей