metadata
library_name: transformers
license: other
base_model: trl-lib/qwen1.5-0.5b-sft
tags:
- trl
- simpo
- generated_from_trainer
model-index:
- name: qwen_qfUNL_entropy
results: []
qwen_qfUNL_entropy
This model is a fine-tuned version of trl-lib/qwen1.5-0.5b-sft on an unknown dataset. It achieves the following results on the evaluation set:
- Loss: nan
- Rewards/chosen: nan
- Rewards/rejected: nan
- Rewards/accuracies: 0.0
- Rewards/margins: nan
- Logps/rejected: nan
- Logps/chosen: nan
- Logits/rejected: nan
- Logits/chosen: nan
- Semantic Entropy: nan
Model description
More information needed
Intended uses & limitations
More information needed
Training and evaluation data
More information needed
Training procedure
Training hyperparameters
The following hyperparameters were used during training:
- learning_rate: 1e-06
- train_batch_size: 2
- eval_batch_size: 4
- seed: 42
- distributed_type: multi-GPU
- gradient_accumulation_steps: 16
- total_train_batch_size: 32
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: cosine
- lr_scheduler_warmup_ratio: 0.1
- num_epochs: 3.0
Training results
| Training Loss | Epoch | Step | Validation Loss | Rewards/chosen | Rewards/rejected | Rewards/accuracies | Rewards/margins | Logps/rejected | Logps/chosen | Logits/rejected | Logits/chosen | Semantic Entropy |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0.0 | 0.2141 | 400 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.4282 | 800 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.6422 | 1200 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 0.8563 | 1600 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 1.0704 | 2000 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 1.2845 | 2400 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 1.4986 | 2800 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 1.7127 | 3200 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 1.9267 | 3600 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 2.1408 | 4000 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 2.3549 | 4400 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 2.5690 | 4800 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 2.7831 | 5200 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
| 0.0 | 2.9972 | 5600 | nan | nan | nan | 0.0 | nan | nan | nan | nan | nan | nan |
Framework versions
- Transformers 4.44.2
- Pytorch 2.2.2+cu121
- Datasets 2.18.0
- Tokenizers 0.19.1