Instructions to use WhyZosa/llm-course-hw2-ppo with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use WhyZosa/llm-course-hw2-ppo with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="WhyZosa/llm-course-hw2-ppo")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("WhyZosa/llm-course-hw2-ppo")
model = AutoModelForCausalLM.from_pretrained("WhyZosa/llm-course-hw2-ppo", device_map="auto")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use WhyZosa/llm-course-hw2-ppo with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "WhyZosa/llm-course-hw2-ppo"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "WhyZosa/llm-course-hw2-ppo",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/WhyZosa/llm-course-hw2-ppo

SGLang

How to use WhyZosa/llm-course-hw2-ppo with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "WhyZosa/llm-course-hw2-ppo" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "WhyZosa/llm-course-hw2-ppo",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "WhyZosa/llm-course-hw2-ppo" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "WhyZosa/llm-course-hw2-ppo",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use WhyZosa/llm-course-hw2-ppo with Docker Model Runner:
```
docker model run hf.co/WhyZosa/llm-course-hw2-ppo
```

SmolLM2: PPO

Для этой части взял SmolLM2-135M-Instruct и PPOTrainer из TRL 0.15.0. В reward и value загрузил обученную ранее reward-модель на основе SmolLM-135M-Instruct. Словари и ID токенов у двух баз совпадают, а шаблон чата для policy оставил от SmolLM2

Настройки обучения

Параметр	Значение
GPU	A100 80 ГБ
Train/test prompts	8163 / 2721
Эпохи по prompts	1
Rollout batch size	64
Rollout batches	128
PPO epochs	2
Learning rate	3e-6
KL coefficient	0,05
Максимальная длина генерации	256 токенов
Seed	42
Время ячейки обучения, включая сохранения	44 мин 26,637 с

При оптимизации использовал microbatch 8 и накопление градиента 4. Каждый rollout делился на 2 minibatches, для rollout forward batch был 16. BF16 включил, остальные настройки оставил такими: temperature 0,7, clipping policy/value 0,2, vf_coef 0,1, gamma 1, lambda 0,95

Всего получилось 128 rollout-батчей и 8192 эпизода. Это чуть больше 8163 train-промптов: TRL округляет число батчей вверх до 128 x 64. По схеме 2 PPO-эпохи x 2 minibatches на каждый rollout получается 512 обновлений оптимизатора

Результаты

Во время обучения reward-модель оценивала ответы, которые генерировала сама policy. Вот как менялись метрики; в последнем столбце среднее за шаги 119-128

Метрика	Первый батч	Последний батч	Среднее последних 10
Оценка reward-модели	1,949578	5,470911	5,425047
KL к исходной policy	0,002095	22,881641	22,717114
Reward с учётом KL-штрафа	1,949473	4,326829	4,289192
Loss policy	-0,000941	-0,006553	-0,003494
Loss value-модели	1,364650	15,944157	16,287682

Reward вырос, но вместе с ним выросли KL и loss value-модели. На последних 10 шагах policy/clipfrac_avg в среднем равен 0,008594, а val/clipfrac_avg - 1. По одному reward результат не оценить: PPO обучалась под эту же модель оценки. С числами из отдельного примера в README reward-модели их тоже не сравнивал, там другой формат чата и score берётся в другой позиции

Вероятности ответов

Проверил logprob на 256 chosen-ответах HumanLLMs с промптами из PPO train и на 256 ответах Dolly. Сами chosen-тексты PPO не училась повторять: во время обучения она генерировала свои ответы. Dolly для дообучения не использовал, его наличие в предобучении исходной модели не проверял

Logprob считался только по токенам ответа и EOS: промпт ограничен 256 токенами, ответ - 768. После PPO средний logprob на токен снизился на обоих наборах относительно исходной SmolLM2:

Ответы	До PPO	После PPO	Средняя парная разница	Медиана разницы
HumanLLMs chosen	-1,761877	-2,102480	-0,340603	-0,328541
Dolly	-2,439633	-2,668418	-0,228785	-0,142257

Ответы	Средняя сумма logprob до	После	Средняя длина с EOS
HumanLLMs	-434,845311	-505,622205	259,25
Dolly	-208,627343	-219,698274	85,7578125

У 32 примеров Dolly обрезан промпт, у HumanLLMs - ни одного. В каждой группе обрезан один ответ до лимита 768 токенов с EOS

Logprob готовых ответов снизился на обоих наборах, хотя reward за время обучения вырос. Это разные проверки: в первом случае оценивается вероятность конкретного текста, во втором reward-модель оценивает сгенерированный ответ. Длины в таблице взяты из датасетов, по ним нельзя понять, какой длины ответы генерирует PPO

Пример ответа

Вопрос: What's your morning routine like?

Для обеих моделей использовались do_sample=False и max_new_tokens=256. Ниже убран только общий префикс system/user/assistant

До PPO:

My morning routine is quite simple, but it's essential for maintaining a healthy and productive work-life balance. Here's what I do every morning:

Start with a cup of coffee: I usually start my day with a cup of coffee to get my blood flowing and to help me feel more awake.

Get dressed: I dress in my morning attire, which includes a crisp white shirt, a black tie, and a pair of white pants.

Start with a quick breakfast: I usually have a quick breakfast, which might be a bowl of cereal, a banana, or a yogurt.

Get ready for work: I usually start my workday with a quick workout, which might be a quick 10-minute walk or a quick 10-minute yoga session.

Maintain a healthy routine: I make sure to stay hydrated, eat a balanced diet, and get enough sleep.

Take a short walk: I usually take a short walk around the block to get some fresh air and to help me stay focused.

Get ready for the day: I usually start my day with a quick breakfast, a quick workout, and a quick breakfast.

После PPO: пустой ответ. После префикса assistant модель не вывела текст продолжения

До обучения модель хотя бы отвечала на вопрос, пусть и с повторами. После PPO здесь получился пустой ответ. На этом запросе стало хуже, несмотря на рост reward. Чтобы понять, как часто это происходит, нужно проверить больше вопросов

Downloads last month: 252

Safetensors

Model size

0.1B params

Tensor type

F32

Model tree for WhyZosa/llm-course-hw2-ppo

Base model

HuggingFaceTB/SmolLM2-135M

Quantized

HuggingFaceTB/SmolLM2-135M-Instruct

Finetuned

(390)

this model

WhyZosa
/

llm-course-hw2-ppo