Модель вознаграждения на базе Llama 3 оценивает ответы и диалоги для применения в RLHF, PPO, итеративном SFT и DPO.
Подходит для: оценивание ответов чат-модели в RLHF · формирование сигналов вознаграждения для PPO · оценивание ответов в итеративном DPO
Чат-модель семейства Mistral, дообученная методом итеративного RLHF для генерации ответов в диалоге.
Подходит для: ответы на вопросы в чат-боте · ведение диалога с пользователем · генерация структурированных текстовых ответов
Модель вознаграждения на базе Llama 3 для оценки и сравнения качества ответов языковых моделей.
Подходит для: оценка качества ответов чат-бота · сравнение двух ответов и выбор предпочтительного · оценка безопасности ответов ассистента
Диалоговая модель LLaMA 3 на 7,5 млрд параметров, обученная итеративным онлайн DPO для ответов на инструкции и общих разговорных задач.
Подходит для: ответы на вопросы в диалоге · выполнение текстовых инструкций · объяснение и обсуждение общих тем
Модель вознаграждения на базе Gemma-2-9B оценивает диалоговые ответы для ранжирования и RLHF.
Подходит для: оценка качества ответов чат-модели · ранжирование нескольких вариантов ответа · выбор предпочтительного ответа в диалоге
Reward-модель NC Research на базе Llama 3 для оценки и ранжирования текстовых ответов с повышенной устойчивостью к смещениям в оценивании.
Подходит для: оценка качества ответов языковой модели · ранжирование нескольких ответов на один запрос · отбор предпочтительных ответов для обучения моделей
Модель вознаграждения на основе Llama 3 для оценки и сравнения ответов языковых моделей.
Подходит для: оценка качества ответа языковой модели · ранжирование нескольких ответов на один запрос · подготовка оценок предпочтений для обучения LLM
DRM — модель вознаграждения на базе Llama 3, которая оценивает ответы языковых моделей по предпочтениям и нескольким атрибутам, моделируя распределение оценок.
Подходит для: ранжирование нескольких ответов языковой модели · оценка предпочтительности ответа для RLHF · получение многокритериальных оценок ответа