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

Libraries

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

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

pipe = pipeline("text-generation", model="kseniamakeevaa/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("kseniamakeevaa/llm-course-hw2-ppo")
model = AutoModelForCausalLM.from_pretrained("kseniamakeevaa/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 kseniamakeevaa/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 "kseniamakeevaa/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": "kseniamakeevaa/llm-course-hw2-ppo",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

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

SGLang

How to use kseniamakeevaa/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 "kseniamakeevaa/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": "kseniamakeevaa/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 "kseniamakeevaa/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": "kseniamakeevaa/llm-course-hw2-ppo",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

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

SmolLM-135M-Instruct - PPO

За основу взяла SmolLM-135M-Instruct на 135 млн параметров и попробовала дообучить её методом PPO через библиотеку TRL.

Для обучения использовала запросы из Human-Like-DPO-Dataset. Награды рассчитывала с помощью Reward Model, которую обучила отдельно на парах chosen и rejected. Во время PPO обучалась языковая модель (policy) и модель ценности (value_model), а reward_model и ref_policy оставались замороженными. Изначально policy и ref_policy были загружены из базовой SmolLM, а не из моей DPO-модели.

Параметры обучения

Параметр	Значение
PPO-эпизоды (`total_episodes`)	2 048
Шаги обучения	512
Batch size	4
Learning rate	3e-6
PPO epochs на батч	1
Длина генерируемого ответа	64 токена
KL coefficient	0.05
Temperature	0.7
GPU	NVIDIA T4 (Google Colab)

Что получилось

Использовала только часть обучающего датасета: 2 048 эпизодов, а не полный проход по всем запросам.

Для сравнения я задала исходной модели и модели после PPO вопрос “What's your morning routine like?”. Ответы получились довольно похожими: обе модели продолжили объяснять, что они ИИ и не имеют собственного утреннего распорядка. После PPO в тексте немного изменились рекомендации, но появились и странности - например, пункт про подготовку ко сну внутри утренней рутины.

По этому примеру я не увидела явного улучшения качества после PPO. Полноценной оценки на отдельном наборе запросов не проводила.

Ограничения

Это учебный эксперимент с небольшой моделью и ограниченным числом PPO-эпизодов. Ответы могут быть повторяющимися или нелогичными. Кроме того, хорошая работа Reward Model на тестовой части своего датасета не гарантирует улучшения текста после PPO.

Downloads last month: 309

Safetensors

Model size

0.1B params

Tensor type

F32

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

Base model

HuggingFaceTB/SmolLM-135M

Quantized

HuggingFaceTB/SmolLM-135M-Instruct

Finetuned

(225)

this model

kseniamakeevaa
/

llm-course-hw2-ppo

SmolLM-135M-Instruct - PPO

Параметры обучения

Что получилось

Ограничения

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

Dataset used to train kseniamakeevaa/llm-course-hw2-ppo