/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-1.5B-Instruct
Библиотека
transformers
Опубликована
19 июн 2026

qwen2.5-1.5b-rm-ultrafeedback

Классификация текстаТекст → label3 профессии

Reward-модель на основе Qwen2.5-1.5B-Instruct оценивает ответы ассистента по предпочтительности для ранжирования и использования в RLHF.

2 679скачиваний за 30 дней0лайковвеса обновлены19 июн 2026

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

yavuz-ai разработала reward-модель на основе Qwen2.5-1.5B-Instruct: к модели добавлена скалярная классификационная голова, а LoRA-адаптер объединён с весами в отдельный чекпойнт. Модель обучена на 10 тысячах пар предпочтений из UltraFeedback с использованием Bradley–Terry: более предпочтительный ответ должен получать более высокий балл.

Модель предназначена для оценки и ранжирования ответов ассистента, в том числе как компонента классического цикла RLHF с PPO. В README сообщается точность 0,757 на отложенной выборке из 1000 пар. Она построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров, принимает текст и выдаёт скалярную оценку через задачу классификации последовательностей. Базовая модель поддерживает контекст до 32 768 токенов. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0.

Сценарии применения

  • сравнение двух ответов ассистента по предпочтительности
  • ранжирование ответов языковой модели
  • оценка качества ответов для контура RLHF
  • получение reward-оценки для обучения политики с PPO

Ограничения

Модель обучена на 10 тысячах пар UltraFeedback, поэтому оценки отражают предпочтения этой обучающей выборки и могут не совпадать с предпочтениями в других сценариях. Указанная точность 0,757 измерена на отложенной выборке из 1000 пар; README не приводит оценок на других наборах данных.

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

qwen2.5-1.5b-rm-ultrafeedback

A reward model: Qwen2.5-1.5B-Instruct with a scalar head, trained on 10k UltraFeedback preference pairs (Bradley-Terry) so the preferred response scores higher. LoRA, merged into a standalone model. Part of reward-model-ppo (the classic RLHF loop).

result

Held-out accuracy 0.757 (n=1000): on a held-out pair it scores the preferred response higher 76% of the time. This is a clean, reusable artifact (unlike the PPO policy trained against it, which is a research artifact - see the repo).

use

import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer

tok = AutoTokenizer.from_pretrained("yavuz-ai/qwen2.5-1.5b-rm-ultrafeedback")
rm = AutoModelForSequenceClassification.from_pretrained("yavuz-ai/qwen2.5-1.5b-rm-ultrafeedback", num_labels=1)
msgs = [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]
enc = tok.apply_chat_template(msgs, return_tensors="pt", return_dict=True)
reward = rm(**enc).logits[0, 0].item()   # higher = better

training

LoRA (r=16, alpha=32, all-linear) RewardTrainer, 1 epoch over 10k pairs, lr 1e-4, bf16, 1x A100.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2ForSequenceClassification
Ревизия весов
f98759a

0 моделей