Метка: grpo - Каталог нейросетей

Метка: grpo

Генерация текста

Tidecaller/BountyHunter-RedTeam

> Точная настройка из Qwen2.5-Coder-14B-Instruct через многофазное обучение армированию (SFT GRPO). > Полные объединенные веса BF16 — один...

Генерация текста

gdfhhjk/spectrida-re-gguf

«Йоу, чувак, я слышал, что тебе нравится обратный инжиниринг, поэтому я поместил модель RE в ваш рабочий процесс...

Генерация текста

Kwai-Klear/GoLongRL-4B

We present GoLongRL, a fully open-source, capability-oriented post-training recipe for long-context reinforcement learning with verifiable rewards (RLVR). Overall...

Генерация текста

webxos/microd_v1

INVALID LANGUAGE PAIR SPECIFIED. EXAMPLE: LANGPAIR=EN|IT USING 2 LETTER ISO OR RFC3066 LIKE ZH-CN. ALMOST ALL LANGUAGES SUPPORTED...