This is the token-wise 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
- 7 янв 2025
Ссылки
Phi-3-mini-4k-token-ppo-60k
Дообученная на основе Phi-3-mini-4k-instruct модель для диалоговой генерации текста, обученная методом PPO с токенно-ориентированными наградами.
108скачиваний 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.
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
Это дообученная диалоговая языковая модель на архитектуре Phi-3, созданная yyqoni на основе microsoft/Phi-3-mini-4k-instruct. Модель размером 3,7 млрд параметров предназначена для генерации текста в формате чата и обучена методом PPO с токенно-ориентированными наградами; в карточке указано исследование «Segmenting Text and Learning Their Rewards for Improved RLHF in Language Models». Для работы с текстом она использует контекст до 4096 токенов.
Модель может применяться для диалоговой генерации и ответов на текстовые запросы. Она распространяется в формате Safetensors по лицензии MIT. README не приводит оценок качества или подробных результатов, поэтому практические преимущества токенно-ориентированного обучения по этой карточке подтвердить нельзя.
Сценарии применения
- генерация ответов в диалоговом интерфейсе
- ответы на текстовые запросы
- эксперименты с RLHF и PPO для языковых моделей
Ограничения
В карточке нет оценок качества и подробностей о результатах обучения. Поддерживаемые естественные языки отдельно 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
- 0a8146a