Qwen2.5-CascadeRL-RM-72B — это модель вознаграждения, которая инициализируется с помощью Qwen2.5-72B-Instruct и настраивается с использованием цели Брэдли-Терри для прогнозирования предпочтений человека при генерации LLM. Он используется на этапе обучения с подкреплением на основе обратной связи с человеком (RLHF) в семействе моделей Nemotron-Cascade: Nemotron-Cascade-8B, Nemotron-Cascade-8B-Thinking и Nemotron-Cascade-14B-Thinking. Учитывая разговор между человеком и помощником, модель вознаграждения выдаст оценку предпочтений человека для последнего хода помощника. Подробности обучения можно найти в техническом отчете. Использование этой модели регулируется лицензией NVIDIA Open Model License.
Модальности:
Генерация текста
Области применения:
Диалог / чат
Задача: Генерация текста
Автор: nvidia
Теги: qwen2, text-classification, nvidia, Nemotron-Cascade, reward-model, conversational, en, text-generation-inference
Лайков: 13 | Загрузок: 2,123
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
