Reward-модель на базе Mistral-7B-Instruct-v0.2 для оценки и ранжирования ответов диалоговой системы по предпочтительности.

Подходит для: ранжирование нескольких ответов на один запрос · выбор предпочтительного ответа для чат-бота · оценка полезности ответов языковой модели

Компактная модель оценки предпочтений на базе Gemma 2B для сравнения и ранжирования ответов языковых моделей.

Подходит для: ранжирование нескольких ответов чат-бота по предпочтительности · оценка качества ответа языковой модели · выбор лучшего ответа для обучения по человеческим предпочтениям

Дообученная на Gemma 2B модель вознаграждения для оценки предпочтительности ответов и применения в RLHF.

Подходит для: оценка предпочтительности ответов языковой модели · ранжирование нескольких ответов чат-бота · обучение RLHF на предпочтениях пользователей

Модель вознаграждения на базе Gemma-7B оценивает предпочтительность текстовых ответов для ранжирования и обучения по человеческим предпочтениям.

Подходит для: ранжирование нескольких ответов на один запрос · оценка полезности и корректности ответов чат-бота · отбор предпочтительного ответа для обучения по предпочтениям

Модель награды на базе OpenLLaMA 3B оценивает полезность текстовых ответов ассистента для ранжирования и отбора в задачах RLHF.

Подходит для: ранжирование ответов чат-бота по полезности · выбор предпочтительного ответа из пары вариантов · оценка ответов ассистента для конвейера RLHF

safetensors: формат, квантизация, runtime и память принадлежат одному artifact

Дообученная на Gemma 2 модель вознаграждения оценивает и ранжирует ответы языковых моделей для предпочтительного обучения и RLHF.

Подходит для: оценка качества ответов языковой модели · ранжирование нескольких ответов по предпочтительности · формирование сигналов вознаграждения для RLHF

Компактная модель вознаграждения на основе Gemma-2B-IT оценивает ответы языковых моделей по предпочтениям и пригодна для сравнения диалоговых ответов.

Подходит для: оценка качества ответов чат-бота · ранжирование нескольких ответов языковой модели · оценка безопасности ответов

Модель оценки ответов на базе Mistral-7B-Instruct-v0.2 для классификации последовательностей и сценариев обучения с обратной связью от человека.

Подходит для: оценка качества ответов языковой модели · ранжирование ответов по предпочтениям · оценивание примеров для обучения с обратной связью от человека