rshwndsz/ambrosia-binary
Viewer
•
Updated
•
154k
•
40
Janus
Analysing the RLHF pipeline
-
-
rshwndsz/ambrosia-binary-formatted
Viewer • Updated • 154k • 34 -
rshwndsz/ambrosia-binary-formatted-grpo
Viewer • Updated • 154k • 33 -
rshwndsz/ambrosia-binarymagn
Viewer • Updated • 119k • 32 -
rshwndsz/ambrosia-binarymagn-formatted
Viewer • Updated • 119k • 41 -
rshwndsz/ambrosia-binarymagn-formatted-grpo
Viewer • Updated • 119k • 34 -
rshwndsz/ambrosia-single
Viewer • Updated • 125k • 37 -
rshwndsz/ambrosia-single-formatted
Viewer • Updated • 251k • 33 -
rshwndsz/ambrosia-single-formatted-grpo
Viewer • Updated • 251k • 33 -
rshwndsz/ambrosia-single-formatted-extended
Viewer • Updated • 250k • 37 -
rshwndsz/ambrosia-ranking
Viewer • Updated • 25k • 115 -
rshwndsz/ambrosia-ranking-formatted
Viewer • Updated • 250k • 51 -
rshwndsz/ambrosia-ranking-formatted-grpo
Viewer • Updated • 250k • 33 -
rshwndsz/tulu-3-sft-mixture-en-2048
Viewer • Updated • 748k • 24 -
rshwndsz/nectar-k5-binarized-noswap
Viewer • Updated • 1.83M • 33 -
rshwndsz/Llama-3.2-1B-SFT
Updated • 1.67k -
rshwndsz/Llama-3.2-3B-SFT
Updated • 1.62k • 1 -
rshwndsz/Llama-3.1-8B-SFT
Updated • 1.62k • 1 -
rshwndsz/gemma-3-1b-pt-SFT
Updated • 1.6k -
rshwndsz/gemma-3-4b-pt-SFT
Updated • 1.51k -
rshwndsz/gemma-3-12b-pt-SFT
Updated • 9 -
rshwndsz/Qwen2.5-0.5B-SFT
Updated • 13 -
rshwndsz/Qwen2.5-1.5B-SFT
Updated • 11 -
rshwndsz/Qwen2.5-3B-SFT
Updated • 9 -
rshwndsz/Qwen2.5-7B-SFT
Updated • 9 -
rshwndsz/Llama-3.2-1B-SFT-DPO-bi
Updated • 29 -
rshwndsz/Llama-3.2-1B-SFT-DPO-bm
Updated • 9 -
rshwndsz/Llama-3.2-1B-SFT-DPO-si
Updated • 10 -
rshwndsz/Llama-3.2-1B-SFT-DPO-ra
Updated • 30 -
rshwndsz/Llama-3.2-3B-SFT-DPO-bi
Updated • 10 -
rshwndsz/Llama-3.2-3B-SFT-DPO-bm
Updated • 10 -
rshwndsz/Llama-3.2-3B-SFT-DPO-si
Updated • 28 -
rshwndsz/Llama-3.2-3B-SFT-DPO-ra
Updated • 9 -
rshwndsz/Llama-3.1-8B-SFT-DPO-bi
Updated • 11 -
rshwndsz/Llama-3.1-8B-SFT-DPO-bm
Updated • 18 -
rshwndsz/Llama-3.1-8B-SFT-DPO-si
Updated • 28 -
rshwndsz/Llama-3.1-8B-SFT-DPO-ra
Updated • 12 -
rshwndsz/gemma-3-1b-pt-SFT-DPO-bi
Updated • 8 -
rshwndsz/gemma-3-1b-pt-SFT-DPO-bm
Updated • 14 -
rshwndsz/gemma-3-1b-pt-SFT-DPO-si
Updated • 9 -
rshwndsz/gemma-3-1b-pt-SFT-DPO-ra
Updated • 7 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-bm
Updated • 11 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-bi
Updated • 9 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-si
Updated • 11 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-ra
Updated -
rshwndsz/gemma-3-12b-pt-SFT-DPO-bi
Updated • 33 -
rshwndsz/gemma-3-12b-pt-SFT-DPO-bm
Updated • 10 -
rshwndsz/gemma-3-12b-pt-SFT-DPO-si
Updated • 12 -
rshwndsz/gemma-3-12b-pt-SFT-DPO-ra
Updated • 8 -
rshwndsz/Llama-3.2-1B-SFT-RM-bi
Updated • 10 -
rshwndsz/Llama-3.2-1B-SFT-RM-bm
Updated • 14 -
rshwndsz/Llama-3.2-1B-SFT-RM_MRG-bm
Updated • 10 -
rshwndsz/Llama-3.2-1B-SFT-RM-si
Updated • 10 -
rshwndsz/Llama-3.2-1B-SFT-RM_MRG-si
Updated • 82 -
rshwndsz/Llama-3.2-1B-SFT-RM-ra
Updated • 17 -
rshwndsz/Llama-3.2-1B-SFT-RM_MRG-ra
Updated • 9 -
rshwndsz/Llama-3.2-3B-SFT-RM-bi
Updated • 12 -
rshwndsz/Llama-3.2-3B-SFT-RM-bm
Updated • 11 -
rshwndsz/Llama-3.2-3B-SFT-RM_MRG-bm
Updated • 22 -
rshwndsz/Llama-3.2-3B-SFT-RM-si
Updated • 36 -
rshwndsz/Llama-3.2-3B-SFT-RM_MRG-si
Updated • 10 -
rshwndsz/Llama-3.2-3B-SFT-RM-ra
Updated • 52 -
rshwndsz/Llama-3.2-3B-SFT-RM_MRG-ra
Updated • 30 -
rshwndsz/Llama-3.1-8B-SFT-RM-bi
Updated • 9 -
rshwndsz/Llama-3.1-8B-SFT-RM-bm
Updated • 192 -
rshwndsz/Llama-3.1-8B-SFT-RM_MRG-bm
Updated • 44 -
rshwndsz/Llama-3.1-8B-SFT-RM-si
Updated • 13 -
rshwndsz/Llama-3.1-8B-SFT-RM_MRG-si
Updated • 11 -
rshwndsz/Llama-3.1-8B-SFT-RM-ra
Updated • 24 -
rshwndsz/Llama-3.1-8B-SFT-RM_MRG-ra
Updated • 10 -
rshwndsz/gemma-3-1b-pt-SFT-RM-bi
Updated • 12 -
rshwndsz/gemma-3-1b-pt-SFT-RM-bm
Updated • 12 -
rshwndsz/gemma-3-1b-pt-SFT-RM_MRG-bm
Updated • 9 -
rshwndsz/gemma-3-1b-pt-SFT-RM-si
Updated • 10 -
rshwndsz/gemma-3-1b-pt-SFT-RM_MRG-si
Updated • 9 -
rshwndsz/gemma-3-1b-pt-SFT-RM-ra
Updated • 10 -
rshwndsz/gemma-3-1b-pt-SFT-RM_MRG-ra
Updated • 9 -
rshwndsz/Llama-3.2-1B-SFT-DPO-bm-v2
Updated • 70 -
rshwndsz/Llama-3.1-8B-SFT-DPO-bm-v2
Updated • 35 -
rshwndsz/Llama-3.2-3B-SFT-DPO-si-v2
Updated • 33 -
rshwndsz/Llama-3.1-8B-SFT-DPO-si-v2
Updated • 31 -
rshwndsz/Llama-3.2-1B-SFT-DPO-si-v2
Updated • 32 -
rshwndsz/Llama-3.1-8B-SFT-DPO-ra-v2
Updated • 14 -
rshwndsz/Llama-3.2-1B-SFT-DPO-ra-v2
Updated • 10 -
rshwndsz/Llama-3.1-8B-SFT-DPO-bi-v2
Updated • 12 -
rshwndsz/Llama-3.2-1B-SFT-DPO-bi-v2
Updated • 10 -
rshwndsz/Llama-3.2-3B-SFT-DPO-ra-v2
Updated • 12 -
rshwndsz/Llama-3.2-3B-SFT-DPO-bi-v2
Updated • 10 -
rshwndsz/Llama-3.2-3B-SFT-DPO-bm-v2
Updated • 10 -
rshwndsz/gemma-3-1b-pt-SFT-DPO-bm-v2
Updated • 8 -
rshwndsz/gemma-3-1b-pt-SFT-DPO-bi-v2
Updated • 7 -
rshwndsz/gemma-3-1b-pt-SFT-DPO-si-v2
Updated • 10 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-bi-v2
Updated • 57 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-bm-v2
Updated • 10 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-ra-v2
Updated • 9 -
rshwndsz/gemma-3-4b-pt-SFT-DPO-si-v2
Updated