itakura-300m-pretrain-cpt-sft-dpo-model

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

Training Pipeline

DPO Training Details

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

License

Apache 2.0