96 lines
2.9 KiB
Markdown
96 lines
2.9 KiB
Markdown
|
---
|
|||
|
|
license: apache-2.0
|
|||
|
|
language:
|
|||
|
|
- en
|
|||
|
|
- ja
|
|||
|
|
tags:
|
|||
|
|
- olmo
|
|||
|
|
- dpo
|
|||
|
|
- rlhf
|
|||
|
|
- alignment
|
|||
|
|
- bilingual
|
|||
|
|
pipeline_tag: text-generation
|
|||
|
|
base_model: your_username/olmo2-300m-sft
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# OLMo-2 300M — DPO (Final Model)
|
|||
|
|
|
|||
|
|
OLMo-2 ~300M のフルパイプライン最終モデルです。
|
|||
|
|
Pretrain → CPT → SFT → DPO の 4 ステージを経て alignment 済み。
|
|||
|
|
|
|||
|
|
## Model Architecture
|
|||
|
|
|
|||
|
|
| 項目 | 値 |
|
|||
|
|
|------|-----|
|
|||
|
|
| Base config | allenai/OLMo-2-0425-1B（config のみ・重みは使用せず） |
|
|||
|
|
| Parameters | ~300M |
|
|||
|
|
| hidden_size | 1024 |
|
|||
|
|
| num_hidden_layers | 16 |
|
|||
|
|
| num_attention_heads | 16 |
|
|||
|
|
| num_key_value_heads | 8 (GQA) |
|
|||
|
|
| intermediate_size | 4096 |
|
|||
|
|
| Tokenizer | allenai/OLMo-2-0425-1B |
|
|||
|
|
|
|||
|
|
## Training Pipeline
|
|||
|
|
|
|||
|
|
| Stage | モデル | データ | 概要 |
|
|||
|
|
|-------|--------|--------|------|
|
|||
|
|
| 1. Pretrain | ランダム初期化 | FineWeb ~1.5B tokens | 大規模コーパスで言語モデリング |
|
|||
|
|
| 2. CPT | Stage 1 出力 | FineWeb-Edu + Wikipedia JA ~0.3B tokens | 英日バイリンガル継続学習 |
|
|||
|
|
| 3. SFT | Stage 2 出力 | Tülu-3 SFT mixture 100K samples | 指示追従の習得 |
|
|||
|
|
| 4. DPO（このモデル） | Stage 3 出力 | UltraFeedback binarized | 人間の好みに合わせた alignment |
|
|||
|
|
|
|||
|
|
## DPO Training Details
|
|||
|
|
|
|||
|
|
| 項目 | 値 |
|
|||
|
|
|------|-----|
|
|||
|
|
| Dataset | allenai/ultrafeedback_binarized_cleaned |
|
|||
|
|
| Loss | DPO (β=0.1) |
|
|||
|
|
| Learning rate | 5e-7 (linear decay) |
|
|||
|
|
| Warmup ratio | 0.1 |
|
|||
|
|
| Epochs | 1 |
|
|||
|
|
| Hardware | NVIDIA RTX 4090 24GB |
|
|||
|
|
| Framework | TRL DPOTrainer |
|
|||
|
|
|
|||
|
|
## Usage
|
|||
|
|
|
|||
|
|
```python
|
|||
|
|
from transformers import AutoTokenizer, AutoModelForCausalLM
|
|||
|
|
import torch
|
|||
|
|
|
|||
|
|
model_id = "your_username/olmo2-300m-dpo"
|
|||
|
|
tokenizer = AutoTokenizer.from_pretrained(model_id)
|
|||
|
|
model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype=torch.bfloat16, device_map="auto")
|
|||
|
|
|
|||
|
|
messages = [{"role": "user", "content": "機械学習を初心者向けに説明してください。"}]
|
|||
|
|
input_text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
|
|||
|
|
inputs = tokenizer(input_text, return_tensors="pt").to(model.device)
|
|||
|
|
|
|||
|
|
outputs = model.generate(**inputs, max_new_tokens=300, temperature=0.7, do_sample=True)
|
|||
|
|
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
## Intended Use
|
|||
|
|
|
|||
|
|
- 英日バイリンガルの質問応答・対話
|
|||
|
|
- LLM フルパイプライン（Pretrain → DPO）の研究・学習目的
|
|||
|
|
|
|||
|
|
## Limitations
|
|||
|
|
|
|||
|
|
- モデルサイズが小さく（~300M）、大規模モデルと比較して品質は限定的
|
|||
|
|
- 事実の正確性を保証しない
|
|||
|
|
- 有害コンテンツの完全な排除は保証されない
|
|||
|
|
|
|||
|
|
## Training Data Attribution
|
|||
|
|
|
|||
|
|
| データセット | ライセンス |
|
|||
|
|
|------------|-----------|
|
|||
|
|
| FineWeb-Edu (HuggingFaceFW) | ODC-By |
|
|||
|
|
| Wikipedia JA (Wikimedia) | CC BY-SA 4.0 |
|
|||
|
|
| Tülu-3 SFT mixture (AllenAI) | 混合 |
|
|||
|
|
| UltraFeedback binarized (AllenAI) | MIT |
|
|||
|
|
|
|||
|
|
## License
|
|||
|
|
|
|||
|
|
Apache 2.0
|