---
license: apache-2.0
datasets:
- mlabonne/orpo-dpo-mix-40k
language:
- en
---
## 模型介绍
- 目标：通过ORPO技术对模型进行训练，以期达到以往指令微调加基于人类反馈的强化学习的效果
- 使用模型：LLaMA3-8B
- 使用数据集：mlabonne/orpo-dpo-mix-40k（共有数据44245条数据，仅使用了其中10000条数据）
- 使用显卡：RTX 4090，24G
- epoch：1
- per_device_train_batch_size=2
- gradient_accumulation_steps=4
## 模型使用
```
import transformers
import torch

model_id = "snowfly/llama3-8B-ORPO"

pipeline = transformers.pipeline("text-generation", model=model_id, model_kwargs={"torch_dtype": torch.bfloat16}, device_map="auto")

print(pipeline("Hey how are you doing today?"))
```
## 未完待续
- 使用的显卡显存不足，每个批次的数据量较少，训练中loss图上急剧震荡。后续再更多更大显存显卡上进行更大批处理数量上进行多轮训练
- 使用上述配置在全数据上训练3epoch需要72小时，实际实践使用其中随机选取的10000条数据训练1epoch