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...
Atomight-V2.1-0.5B-Inference — это ультракомпактная, ориентированная на рассуждения причинно-следственная языковая модель, разработанная в рамках экосистемы Atomight. Построенная на основе...
Qwen3-4B-Base-GRPO — это контрольная точка после RL, обученная с помощью фреймворка verl. Он начинается с Qwen3-4B-Base и применяет...
Эта модель представляет собой контрольную точку Q DKL** MINT, точно настроенную из Qwen/Qwen3-4B для многооборотного эмпатического диалога. MINT,...
True O(1) Memory Test-Time Compute via Continuous-State Dark Loops. A 2.8B-parameter Mamba SSM fine-tuned for multi-step latent reasoning....
SEAD (Self-Evolving Agent for Service Dialogue) — это коэволюционная структура обучения с подкреплением, предназначенная для обучения агентов диалога,...
Модель с параметрами 120B, настроенная с помощью GRPO (Group Relative Policy Optimization) для генерации ядра GPU. Эта модель...
We present SciRM and SciRM-Ref, cost-efficient open-source reward models tailored for scientific writing evaluation. Our models are trained...
Модель параметров 1B, обученная с помощью Pure PyTorch GRPO для быстрого и точного выбора инструментов в системах агентного...
GoT-R1: Internalizing Graph-of-Thought via Structural Reinforcement We release the GoT-R1 models across three parameter scales. You can access...
CAD-Coder: Text-to-CAD Generation with Chain-of-Thought and Geometric Reward This is the reinforcement learning (GRPO) fine-tuned model for generating...