|
--- |
|
license: cc-by-4.0 |
|
datasets: |
|
- cyberagent/chatbot_arena_ja_calm2-7b-chat-experimental |
|
language: |
|
- ja |
|
- en |
|
--- |
|
|
|
# Model Card for "calm2-7b-chat-dpo-experimental" |
|
|
|
[cyberagent/calm2-7b-chat](https://huggingface.co/cyberagent/calm2-7b-chat)に[cyberagent/chatbot_arena_ja_calm2-7b-chat-experimental](https://huggingface.co/datasets/cyberagent/chatbot_arena_ja_calm2-7b-chat-experimental)データセットを用いて[Direct Preference Optimization (DPO)](https://arxiv.org/abs/2305.18290)をしたモデルです。 |
|
DPOには[Low-Rank Adaptation (LoRA)](https://huggingface.co/docs/peft/conceptual_guides/lora)を用いました。 |
|
|
|
## Requirements, Usage, Chat Template |
|
|
|
[cyberagent/calm2-7b-chat](https://huggingface.co/cyberagent/calm2-7b-chat)と同様です。 |
|
|
|
## 実験結果 |
|
|
|
### ELYZA-tasks-100 (GPT-4 eval) |
|
|
|
実験結果のランダム性を避けるため、greedy searchで出力しました。 |
|
|
|
| calm2-7b-chat | calm2-7b-chat-dpo | |
|
| ---- | ---- | |
|
| 2.67 | 2.85 | |
|
|
|
|
|
### Japanese MT-Bench |
|
|
|
以下の文をシステムプロンプト（system_message）としてcalm2-7b-chat-dpoとcalm2-7b-chatの評価を行いました。 |
|
|
|
"以下は、タスクを説明する指示と、文脈のある入力の組み合わせです。要求を適切に満たす応答を書きなさい。" |
|
|
|
このシステムプロンプトは[stabilityai/japanese-stablelm-instruct-alpha-7bを評価するときに使われるもの](https://github.com/Stability-AI/FastChat/blob/dfb653d2cadd16017b66bbc3a25cf361031f2da3/fastchat/conversation.py#L364)をそのまま使いました。 |
|
他のデコーディングパラメータはデフォルトのままです（ランダム性があります）。 |
|
|
|
| | calm2-7b-chat | calm2-7b-chat-dpo | |
|
| ---- | ---- | ---- | |
|
| 平均 | 6.1 | 6.7 | |
|
| extraction | 4.1 | 5.4 | |
|
| humanities | 8.2 | 8.4 | |
|
| reasoning | 3.9 | 4.3 | |
|
| roleplay | 6.4 | 7.0 | |
|
| stem | 6.3 | 6.2 | |
|
| writing | 7.7 | 9.1 | |
|
|
|
|
|
## Author |
|
|
|
Yuu Jinnai (jinnai_yu@cyberagent.co.jp), Standing on the shoulders of giants |
