Update README.md

README.md

@@ -1,6 +1,6 @@
 !deepspeed --module openrlhf.cli.train_dpo \
-   --save_path '/mnt/nvme1/will/7_dpo' \
-    --ckpt_path  '/mnt/nvme1/will/7_dpo_ckpt' \
+   --save_path '/mnt/nvme1/will/8_dpo' \
+    --ckpt_path  '/mnt/nvme1/will/8_dpo_ckpt' \
    --save_steps 50 \
    --logging_steps 10 \
    --eval_steps -1 \
@@ -12,7 +12,7 @@
    --max_len 2048 \
    --zero_stage 3 \
    --learning_rate 5e-7 \
-   --dataset '/mnt/nvme1/will/7_dpo_data' \
+   --dataset '/mnt/nvme1/will/8_dpo_data' \
    --apply_chat_template \
    --chosen_key chosen \
    --rejected_key rejected \