/ Модель

Характеристики

Контекст
8 192 токена
Параметры
7,5 млрд
Размер весов
32,1 ГБ
Архитектура
llama · dense
Базовая модель
Meta-Llama-3-8B-Instruct
Библиотека
transformers
Опубликована
24 июл 2024

Llama3-Instruct-8B-WPO-HB-v2

Генерация текстаТекст → текст8 профессий

Диалоговая модель Llama 3, дообученная методом WPO для генерации ассистентских ответов и текста.

18скачиваний за 30 дней5лайковвеса обновлены22 авг 2024

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

wzhouad/Llama3-Instruct-8B-WPO-HB-v2 — диалоговая языковая модель, созданная дообучением Meta-Llama-3-8B-Instruct методом Weighted Preference Optimization (WPO). Метод перенастраивает веса пар предпочтений в зависимости от их вероятности при текущей политике, чтобы приблизить обучение на off-policy данных к on-policy обучению. Для обучения использован гибридный набор предпочтений на основе UltraFeedback, ответов Llama и GPT-4-turbo; README также описывает правила выбора предпочтительных и отклонённых ответов.

Модель предназначена для генерации диалоговых ответов и ассистентского текста. Она построена на плотной архитектуре LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Английский язык указан как язык базовой модели. В README приведены результаты AlpacaEval: LC 53,4, WR 57,3, средняя длина ответа 2472 токена.

Модель распространяется в формате safetensors через Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • генерация ответов в диалоговом ассистенте
  • составление развернутых ответов на вопросы
  • следование инструкциям в текстовом чате

Ограничения

В предоставленных данных подтверждена поддержка английского языка; другие языки не указаны. Лицензия модели в предоставленных данных не приведена.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

We propose a novel strategy to enhance off-policy preference optimization by simulating on-policy learning with off-policy preference data. Our Weighted Preference Optimization (WPO) method adapts off-policy data to resemble on-policy data more closely by reweighting preference pairs according to their probability under the current policy. This method not only addresses the distributional gap problem but also enhances the optimization process without incurring additional costs. Refer to our preprint and repo for details.

Model Description

Data

Llama3-Instruct-8B model finetuned by hybrid WPO, utilizing three types of data:

  1. Ultrafeedback dataset.
  2. On-policy sampled Llama outputs based on Ultrafeedback prompts.
  3. GPT-4-turbo outputs based on Ultrafeedback prompts.

In comparison to the preference data construction method in our paper, it employs a method:

  1. Uses the response with the minimum score as the rejected one.
  2. When multiple outputs have the same highest score, the one with the shortest length is selected.
  3. When multiple outputs have the same minimum score, the one with the smallest length difference from the chosen output is selected.

The model is trained based on wzhouad/llama3-ultrafeedback-hybrid-v2.

AlpacaEval Eval Results

ModelLCWRAvg. Length
Llama3-Instruct-8B-WPO-HB-v253.457.32472

Link to Other WPO Models

Check our WPO Collection.

Training Hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 1e-06
  • beta: 0.01
  • per_device_train_batch_size: 2
  • gradient_accumulation_steps: 8
  • seed: 1
  • num_devices: 8
  • optim: adamw_torch
  • lr_scheduler_type: cosine
  • lr_scheduler_warmup_ratio: 0.1
  • num_train_epochs: 2.0
  • max_length: 2048
  • max_prompt_length: 1800

License

This model is licensed under the Zoom software license and is permitted for use only for noncommercial, educational, or academic research purposes.

Citation

WPO:

@article{zhou2024wpo,
  title={WPO: Enhancing RLHF with Weighted Preference Optimization},
  author={Zhou, Wenxuan and Agrawal, Ravi and Zhang, Shujian and Indurthi, Sathish Reddy and Zhao, Sanqiang and Song, Kaiqiang and Xu, Silei and Zhu, Chenguang},
  journal={arXiv preprint arXiv:2406.11827},
  year={2024}
}

Ultrafeedback:

@article{cui2023ultrafeedback,
  title={{UltraFeedback}: Boosting language models with high-quality feedback},
  author={Cui, Ganqu and Yuan, Lifan and Ding, Ning and Yao, Guanming and Zhu, Wei and Ni, Yuan and Xie, Guotong and Liu, Zhiyuan and Sun, Maosong},
  journal={arXiv preprint arXiv:2310.01377},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
62b1483

0 моделей