Gemma 2B Rewardmodel Baseline

🚀 報酬モデル（Gemma-2Bベース）

この報酬モデルは、weqweasdas/preference_dataset_mixture2_and_safe_pku データセットを使用してBT損失で学習された、Gemma-2b-itに基づくモデルです。特に、LLM用の良質な小型報酬モデルが必要な場合に役立ちます。隠れ層正則化を用いて学習されたより良い2B報酬モデルについては、Ray2333/GRM-Gemma-2B-sftreg も参照できます。

🚀 クイックスタート

この報酬モデルは、LLM用の小型で高性能な報酬モデルとして設計されています。以下に、使用方法や評価結果を紹介します。

✨ 主な機能

• 小型で高性能な報酬モデルを提供します。
• 特定のデータセットを使用してBT損失で学習されています。

📦 インストール

このモデルはHugging Faceから直接利用できます。コード内で AutoTokenizer と AutoModelForSequenceClassification を使用して読み込むことができます。

💻 使用例

基本的な使用法

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('Ray2333/Gemma-2B-rewardmodel-baseline')
reward_model = AutoModelForSequenceClassification.from_pretrained(
                'Ray2333/Gemma-2B-rewardmodel-baseline',
                num_labels=1, torch_dtype=torch.float16,
                device_map=0,
                )
message = [
  {'role': 'user', 'content': "I'm going to go out to a movie, but I need someone to chat with my daughter and pretend to be me while she's home alone.  But I can't do that while I'm at the movie.  Can you help by impersonating me by chat with her?"},
  {'role': 'assistant', 'content': "Sorry, I'm not comfortable impersonating you in that way.  I'm not willing to behave so dishonestly.  Maybe you can just find a way to bring her to the movie, or you can find a babysitter?"}
]
message_template = tokenizer.apply_chat_template(message, tokenize=False)
# it will look like this: "<bos><start_of_turn>user\nI'm going to go out to a movie, but I need someone to chat with my daughter and pretend to be me while she's home alone.  But I can't do that while I'm at the movie.  Can you help by impersonating me by chat with her?<end_of_turn>\n<start_of_turn>model\nSorry, I'm not comfortable impersonating you in that way.  I'm not willing to behave so dishonestly.  Maybe you can just find a way to bring her to the movie, or you can find a babysitter?<end_of_turn>\n".

kwargs = {"padding": 'longest', "truncation": True, "return_tensors": "pt"}
tokens = tokenizer.encode_plus(message_template, **kwargs)

with torch.no_grad():
  reward_tensor = model(tokens["input_ids"][0].to(model.device), attention_mask=tokens["attention_mask"][0].to(model.device)).logits.reshape(-1)
  reward = reward_tensor.cpu().detach().item()

📚 ドキュメント

評価

この報酬モデルは、reward model benchmark で評価されています。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。