socially-good-lm
Вместо обучения дополнительной модели вознаграждения, которая, скорее всего, будет использоваться в играх, мы непосредственно обучаем модель в социальных...
Метка: RLHF
chat-opt-1.3b-rlhf-actor-deepspeed
Мы благодарим следующие документы и репозитории с открытым исходным кодом. Мы особенно благодарим DeepSpeed за их фреймворки. [1]...
ATLAS-8B-Thinking
ATLAS-8B-Thinking — это специализированная модель преподавателя, разработанная Arc Intelligence и предназначенная для решения основной проблемы надежности при обучении...
Athene-V2-Chat-4.65bpw-h6-exl2
> [!NOTE] > EXL2 4.65bpw-h6 квантованная версия Nexusflow/Athene-V2-Chat. Поддерживает контекст 32 КБ с кешем Q4 в системах с...
Starling-LM-7B-beta-GGUF
👾 Программа хайлайтов моделей LM Studio Community. Выделение новых и заслуживающих внимания моделей сообществом. Присоединяйтесь к обсуждению в...
Nous-Hermes-2-Mixtral-8x7B-DPO-5.0bpw-h6-exl2
Nous Hermes 2 Mixtral 8x7B DPO — это новая флагманская модель Nous Research, обученная на Mixtral 8x7B MoE...
better-base
Вместо обучения дополнительной модели вознаграждения, которая, скорее всего, будет использоваться в играх, мы непосредственно обучаем модель в социальных...
ArrowCanaria-Llama-8B-RL-v0.1
ArrowCanaria-Llama-8B-RL-v0.1 は、ArrowCanaria-Llama-8B-SFT-v0.1 に対して RLHF（Обучение с подкреплением у человека Обратная связь) SFTモデルは高品質なデータで学習されていますが、モデルの応答が「データに含まれる平Награда Модель)品質や知識応答の正確性・分かりやすさを、SFTの水準からさらに引き上げています。強化学習アルゴリズムには GRPO (Оптимизация относительной политики группы)を採用し、DAPO損失関数による安定した最適化を実現しています。相談応答と知識応答の2フェーズで段階的にRLHFを行うことで、SFTで獲得した雑談・RP・キャラクター対話能力を保持しつつ、応答の質を選択的に向上させています。 —...
Athene-70B-GGUF
👾 Программа хайлайтов моделей LM Studio Community. Выделение новых и заслуживающих внимания моделей сообществом. Присоединяйтесь к обсуждению в...
Athene-70B-GGUF
Спасибо kalomaze и Dampf за помощь в создании набора калибровочных данных imatrix. Спасибо ZeroWw за вдохновение поэкспериментировать с...