Метка: reinforcement-learning - Страница 2 - Каталог нейросетей

Метка: reinforcement-learning

Генерация текста

NovatasticRoScript/Atomight-V2.1-0.5B-Inference

Atomight-V2.1-0.5B-Inference — это ультракомпактная, ориентированная на рассуждения причинно-следственная языковая модель, разработанная в рамках экосистемы Atomight. Построенная на основе...

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

dayll/SEAD-14B

SEAD (Self-Evolving Agent for Service Dialogue) — это коэволюционная структура обучения с подкреплением, предназначенная для обучения агентов диалога,...

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...

Генерация текста

MYTH-Lab/GoT-R1-4B

GoT-R1: Internalizing Graph-of-Thought via Structural Reinforcement We release the GoT-R1 models across three parameter scales. You can access...

Генерация текста

gudo7208/CAD-Coder

CAD-Coder: Text-to-CAD Generation with Chain-of-Thought and Geometric Reward This is the reinforcement learning (GRPO) fine-tuned model for generating...