tokennext/

llama-3-8b-elyza-ja-werewolf

🔧 DPO（人狼ゲーム用）

学習目的

データについて

• データ数は少数（百数ペア）であり、ハッカソン形式で迅速に作成されたものです。

使用手法

• DPO (Direct Preference Optimization)
• LoRAなどの軽量手法と併用
• トレーニングには trl ライブラリを使用

注意点

• データ量が少ないため、本モデルはあくまで試験的なモデルです。