/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,5 млрд
Размер весов
13,8 ГБ
Лицензия
Apache 2.0
Архитектура
llama · dense
Опубликована
25 июн 2024

DeepSeekMath-RL-Step-DPO

Генерация текстаТекст → текст3 профессии

Разговорная модель семейства Llama на 6,5 млрд параметров для генерации текста с предполагаемой специализацией на математических рассуждениях.

48скачиваний за 30 дней2лайкавеса обновлены28 июн 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

xinlai/DeepSeekMath-RL-Step-DPO — разговорная языковая модель семейства Llama с 6,5 млрд параметров. Репозиторий содержит веса в формате safetensors, модель предназначена для генерации текста и диалога.

Название указывает на специализацию на математических рассуждениях и обучение методом RL-Step-DPO, однако README не содержит сведений о методике обучения или результатах. Модель принимает текст и выдаёт текст; контекст составляет 4096 токенов. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на математические вопросы в диалоге
  • пошаговое решение математических задач
  • генерация текстовых объяснений решений
  • эксперименты с математическими языковыми моделями

Ограничения

README не содержит сведений о качестве, обучающих данных и фактических результатах на математических задачах; специализация следует из названия модели. Контекст ограничен 4096 токенами.

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

Step-DPO: Step-wise Preference Optimization for Long-chain Reasoning of LLMs

🖥️Code | 🤗Data | 📄Paper

This repo contains the DeepSeekMath-RL-Step-DPO model. It is obtained by performing Step-DPO on DeepSeekMath-RL.

Step-DPO is a simple, effective, and data-efficient method for boosting the mathematical reasoning ability of LLMs. Notably, Step-DPO, when applied to Qwen2-72B-Instruct, achieves scores of 70.8% and 94.0% on the test sets of MATH and GSM8K without bells and wistles, respectively, surpassing a series of closed-source models, including GPT-4-1106, Claude-3-Opus, and Gemini-1.5-Pro.

Contact

Please submit an issue here or send me an email here.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
f8c9733

0 моделей