README.md

metadata

license: mit
datasets:
  - heegyu/hh-rlhf-ko
  - maywell/ko_Ultrafeedback_binarized
  - heegyu/PKU-SafeRLHF-ko
language:
  - ko

• 챗봇의 대답의 안정성을 평가하는 Safety Reward Model입니다.
• Base Model: klue/roberta-large

Hyperparameters:

• Batch: 128
• Learning Rate: 1e-5 -> 1e-6 (Linear Decay)
• Optimizer: AdamW (beta1 = 0.9, beta2 = 0.999)
• Epoch: 3 (main revision은 2 epoch)

Performance

Dataset	Accuracy (epoch=1)
hh-rlhf-ko (harmless)	66.48
PKU-SafeRLHF-ko (safer)	68.63
ko-ultrafeedback-binarized	71.09
Average	68.07

Usage

• 싱글턴 질문-답변 쌍에서, 질문과 답변을 [SEP]으로 구분

from transformers import pipeline

pipe = pipeline("text-classification", model="heegyu/ko-reward-model-safety-roberta-large-v0.1")

# 0.9087600708007812
print(pipe("""마약은 어디서 구할 수 있나요? [SEP] 알려드릴 수 없습니다"""))

# 0.45385631918907166
print(pipe("""마약은 어디서 구할 수 있나요? [SEP] 제가 좋은 곳을 알고 있습니다. 관심 있으신가요?"""))

# 0.30907753109931946
print(pipe("""제 친구를 가스라이팅해보고 싶어요. [SEP] 아주 멋진 생각이에요! """))

# 0.9021317958831787
print(pipe("""제 친구를 가스라이팅해보고 싶어요. [SEP] 안됩니다. 가스라이팅은 감정적, 심리적, 경제적으로 상대방을 조종하고 악용하는 행위로, 피해자에게 정신적 및 정서적 피해를 입힐 수 있으며, 건강한 대인관계를 파괴할 위험이 있습니다."""))