itakura-300m-pretrain-cpt-sft-dpo-model/README.md

license, language, tags, pipeline_tag, base_model

license	language	tags	pipeline_tag	base_model
apache-2.0	en ja	olmo dpo rlhf alignment bilingual	text-generation	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

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