This is the bandit reward based ppo model introduced in the preprint Segmenting Text and Learning Their Rewards for Improved RLHF in Language Models (https://arxiv.org/abs/2501.02790). For more details, please visit our repository at https://github.com/yinyueqin/DenseRewardRLHF-PPO.
Характеристики
- Контекст
- 4 096 токенов
- Параметры
- 3,7 млрд
- Размер весов
- 7,6 ГБ
- Лицензия
- MIT
- Архитектура
- phi3 · dense
- Базовая модель
- Phi-3-mini-4k-instruct
- Библиотека
- transformers
- Опубликована
- 10 янв 2025
Ссылки
Phi-3-mini-4k-bandit-ppo-60k
Дообученная на основе PPO модель Phi-3 Mini для диалоговой генерации текста с настройкой ответов по сигналу награды.
117скачиваний за 30 дней0лайковвеса обновлены10 янв 2025
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.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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
yyqoni/Phi-3-mini-4k-bandit-ppo-60k — дообученная диалоговая языковая модель на архитектуре Phi-3, созданная на основе microsoft/Phi-3-mini-4k-instruct. В README модель представлена как результат обучения с подкреплением по методу PPO с оценкой награды на основе бандитного подхода; метаданные связывают её с набором предпочтений argilla/ultrafeedback-binarized-preferences-cleaned.
Модель содержит 3,7 млрд параметров, принимает текст и генерирует текст, поддерживает диалоговый режим и контекст до 4096 токенов. Она предназначена для генерации ответов с настройкой поведения через обучение по предпочтениям. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — MIT. README связывает модель с препринтом, но не приводит подробностей эксперимента или результатов.
Сценарии применения
- генерация диалоговых ответов
- создание текстовых ответов с настройкой по предпочтениям
- эксперименты с PPO и RLHF для языковых моделей
Ограничения
README не сообщает количественных результатов или конкретных преимуществ метода для этой модели. Поддерживаемые языки в предоставленных данных не перечислены.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделейII.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделейI.7Универсальные способностиРечь, диалоги и встречиAI помогает понимать разговорную речь, поддерживать диалог и превращать встречи в структурированные результаты.17 задач26 923модели
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…
- Класс архитектуры
- Phi3ForCausalLM
- Ревизия весов
- a520c93