/ Модель

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
8 янв 2025

Phi-3-mini-4k-segment-ppo-60k

Генерация текстаТекст → текст4 профессии

Диалоговая модель Phi-3, дообученная методом PPO с наградами за семантически завершённые сегменты текста, для генерации ответов с учётом предпочтений.

109скачиваний за 30 дней0лайковвеса обновлены8 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.

  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

yyqoni/Phi-3-mini-4k-segment-ppo-60k — дообученная диалоговая языковая модель на базе microsoft/Phi-3-mini-4k-instruct, разработанная для экспериментов с сегментным обучением с подкреплением по человеческим предпочтениям. Метод присваивает награды семантически завершённым фрагментам текста, границы которых определяются порогами энтропии, и использует их при обучении PPO. Веса доступны в формате safetensors; модель построена на плотной архитектуре Phi-3 и содержит 3,7 млрд параметров.

Модель предназначена для генерации диалоговых ответов и текста в сценариях, где требуется следование предпочтениям пользователей. Её контекст составляет 4096 токенов. В карточке описан обучающий процесс с наборами предпочтений HH-RLHF, SHP и HelpSteer, а также использованием Ultrafeedback для выборки запросов при PPO. Лицензия — MIT. Языковая поддержка явно не перечислена.

Сценарии применения

  • генерация диалоговых ответов с учётом предпочтений пользователей
  • эксперименты с сегментным RLHF и обучением PPO
  • создание и оценка ответов языковых моделей

Ограничения

Карточка не сообщает результаты оценки качества; контекст ограничен 4096 токенами. Поддерживаемые языки явно не перечислены.

Для каких профессий подходит4

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

phi-instruct-segment-ppo Model Card

The phi-instruct-segment-ppo model introduces a segment-level reward model to improve reinforcement learning with human feedback (RLHF) in language models. This work builds upon the methods in our paper Segmenting Text and Learning Their Rewards for Improved RLHF in Language Model.


Method Illustration

Below is an illustration of the segment-based reward modeling method, showing how entropy thresholds are used for segmentation, integrating both the reward model and PPO training:

Architecture

image/png


Model Overview

This approach redefines the granularity of RLHF training by:

  • Assigning rewards to semantically complete text segments, defined based on entropy thresholds.
  • Introducing techniques to stabilize RLHF training under dense, segment-level rewards.

Model checkpoints are available on HuggingFace.


Training Data

We utilize the following datasets in our training pipeline:

  • Preference-700K Dataset: A diverse collection of open-source preference datasets, including HH-RLHF, Stanford Human Preferences Dataset (SHP), and HelpSteer.
  • Ultrafeedback Dataset: Used for sampling prompts during the PPO training routine.

Base Model

The phi-instruct-segment-ppo model is fine-tuned from microsoft/Phi-3-mini-4k-instruct.


Usage

You can use this model directly with Hugging Face's Transformers library:

from transformers import AutoModelForCausalLM, AutoTokenizer

# Load model and tokenizer
model_name = "yyqoni/Phi-3-mini-4k-segment-ppo-60k"
model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# Input text
input_text = "What are the benefits of using reinforcement learning in AI?"

# Apply chat template formatting with generation prompt
formatted_input = tokenizer.apply_chat_template(
    [{"role": "user", "content": input_text}],
    tokenize=False,
    add_generation_prompt=True
)

# Tokenize the formatted input
inputs = tokenizer(formatted_input, return_tensors="pt", add_special_tokens=False)

# Generate response
outputs = model.generate(**inputs, max_new_tokens=50)

# Decode and print the response
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Citation

If you find this model or our research useful, please consider citing our paper:

@misc{yin2025segmentingtextlearningrewards,
      title={Segmenting Text and Learning Their Rewards for Improved RLHF in Language Model},
      author={Yueqin Yin and Shentao Yang and Yujia Xie and Ziyi Yang and Yuting Sun and Hany Awadalla and Weizhu Chen and Mingyuan Zhou},
      year={2025},
      eprint={2501.02790},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2501.02790},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Phi3ForCausalLM
Ревизия весов
2ef3386

0 моделей