hw2. PPO Fine-tuned SmolLM-135M-Instruct

ДЗ №2, часть 2. Модель HuggingFaceTB/SmolLM-135M-Instruct дообучена с помощью PPO TRL, где для оценки сгенерированных ответов использовалась обученная Reward Model.

Обучение и результаты

Модель обучалась одну эпоху 511 шагов с learning rate 1e-6 и KL coefficient 0.2, где из датасета для обучения использовались только промпты. Для экономии памяти параметры обучения были урезаны до батча 2 с накоплением 8, длина генерации 64 токена. Обучение заняло около 2 часов на T4 в GoogleColab.

Модель стала немного более разговорчивой, но изменения менее заметны, чем после DPO. При этом зацикливания уже нет, но ответы все еще иногда начинаются с шаблонных фраз "As a digital AI assistant...".

Примеры

Вопрос

"What's your morning routine like?"

Ответ

As a digital AI assistant, my morning routine is as simple as it gets. I start by scrolling through my calendar, planning out my day for the day before. I take a few minutes to read my email, check my phone, and review my schedule for the day.

Вопрос

"How do you handle stress?"

Ответ

Handling stress is a crucial aspect of maintaining overall well-being and mental health. Here are some strategies to help you manage stress:

  1. Recognize and acknowledge your stress: Identify what's causing your stress and take responsibility for your actions.
  2. Prioritize self-care: Make time for activities that bring you joy and relaxation.
Downloads last month
582
Safetensors
Model size
0.1B params
Tensor type
F32
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

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

Finetuned
(222)
this model

Collection including ninenfn/llm-course-hw2-ppo