🔧 DPO(人狼ゲーム用)

このモデルは、オリジナルの elyza/Llama-3-ELYZA-JP-8B をベースに、人狼ゲームのセリフ生成タスク向けに DPO(Direct Preference Optimization) を用いて学習を施したものです。

学習目的

人狼ゲームにおける「取り乱す村人」や「しらを切る人狼」、「情けない行動」など、特定の感情表現を伴うセリフを高品質に生成できるようにすることを目的としました。

データについて

  • データ数は少数(百数ペア)であり、ハッカソン形式で迅速に作成されたものです。

使用手法

  • DPO (Direct Preference Optimization)
  • LoRAなどの軽量手法と併用
  • トレーニングには trl ライブラリを使用

注意点

  • データ量が少ないため、本モデルはあくまで試験的なモデルです。
Downloads last month
9
Safetensors
Model size
8B params
Tensor type
F32
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support