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...
Метка: on-policy distillation
O2-9b-preview
> 9B агентская модель, обученная на основе взаимодействий, сгенерированных в средах выполнения, развернутых в реальных рабочих процессах офиса...
Marco-Mini-Instruct
Marco-Mini-Instruct — это настроенный на инструкции вариант Marco-Mini-Base, очень редкой многоязычной языковой модели Mixture-of-Experts (MoE) из семейства Marco-MoE,...