/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
14,2 ГБ
Архитектура
mistral · dense
Опубликована
22 мар 2024

RM-Mistral-7B

Классификация текстаТекст → label3 профессии

Reward-модель на базе Mistral-7B-Instruct-v0.2 для оценки и ранжирования ответов диалоговой системы по предпочтительности.

765скачиваний за 30 дней25лайковвеса обновлены31 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-Mistral-7B — reward-модель, разработанная автором репозитория и дообученная на базе mistralai/Mistral-7B-Instruct-v0.2. Она оценивает ответы на запросы и ранжирует их по предпочтительности, помогая выбирать более полезные варианты и использовать оценку в обучении или настройке диалоговых систем.

Модель построена на плотной архитектуре MistralForSequenceClassification, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Обучение проводилось в течение одной эпохи на смеси HH-RLHF, SHP, UltraFeedback, Capybara, HelpSteer и Orca. В README сообщается, что на RewardBench модель заняла второе место.

Модель предназначена для сравнения ответов и оценки качества диалога; метаданные также отмечают возможность chat. Карточка не приводит конкретных ограничений оценки и условий лицензии, поэтому их нельзя надёжно описать. В репозитории указаны веса Safetensors.

Сценарии применения

  • ранжирование нескольких ответов на один запрос
  • выбор предпочтительного ответа для чат-бота
  • оценка полезности ответов языковой модели
  • подготовка оценок для обучения по человеческим предпочтениям

Ограничения

README не описывает точность и ограничения модели, кроме результата на RewardBench; переносимость оценок на другие задачи и распределения данных не установлена. Лицензия в предоставленных данных не указана.

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 mistralai/Mistral-7B-Instruct-v0.2.

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

Also see a short blog for the training details (data mixture, parameters...): https://www.notion.so/Reward-Modeling-for-RLHF-abe03f9afdac42b9a5bee746844518d0

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 following datasets. We also provide the mixture in weqweasdas/preference_dataset_mixture2_and_safe_pku.

Difference between this mixture and the original dataset

  • HH-RLHF: we only use the helpful subset and we delete the noisy samples where chosen_response == rejected_response;
  • SHP: we only use the samples with score ratio > 2, for each prompt, we take 5 comparison at most, leading to 109526;
  • 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 all possible 6 pairs of comparisons. Finally, we delete the selected pairs with equal scores, leading to 267416.
  • HelpSteer: we use the mean of helpfulness and correctness to rank samples. Meanwhile, we take all possible 6 pairs of comparisons. Finally, we delete the selected pairs with equal scores, leading to 21576;

Training

We train the model for one epoch with a learning rate of 5e-6, batch size 512, cosine learning rate decay with a warmup ratio 0.03.

Uses

  from transformers import AutoTokenizer, pipeline
  rm_tokenizer = AutoTokenizer.from_pretrained("weqweasdas/RM-Mistral-7B")
  device = 0 # accelerator.device
  rm_pipe = pipeline(
      "sentiment-analysis",
      model="weqweasdas/RM-Mistral-7B",
      #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

The reward model ranks 2nd in the RewardBench

Reference

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
MistralForSequenceClassification
Ревизия весов
70e2526

0 моделей