Метка: grpo - Страница 2 - Каталог нейросетей

Метка: grpo

Генерация текста

Thinking-Space/Qwen3-4B-Base-GRPO

Qwen3-4B-Base-GRPO — это контрольная точка после RL, обученная с помощью фреймворка verl. Он начинается с Qwen3-4B-Base и применяет...

Генерация текста

hongli-zhan/MINT-empathy-Qwen3-4B

Эта модель представляет собой контрольную точку Q DKL** MINT, точно настроенную из Qwen/Qwen3-4B для многооборотного эмпатического диалога. MINT,...

Генерация текста

UKPLab/SciRM-7B

We present SciRM and SciRM-Ref, cost-efficient open-source reward models tailored for scientific writing evaluation. Our models are trained...

Генерация текста

debashis/llama-1b-tool-router-grpo

Модель параметров 1B, обученная с помощью Pure PyTorch GRPO для быстрого и точного выбора инструментов в системах агентного...