better-base
Вместо обучения дополнительной модели вознаграждения, которая, скорее всего, будет использоваться в играх, мы непосредственно обучаем модель в социальных...
Метка: alignment
Chocolatine-2-4B-Instruct-DPO-v2.1
Chocolatine-2-4B-Instruct-DPO-v2.1 — это версия Qwen/Qwen3-4B-Instruct-2507 после обучения, предназначенная для улучшения выполнения инструкций, рассуждения и общей производительности на французском...
qwen3.5-27b-jailbreak-v5-last16
Это адаптер LoRA (не полная модель), который демонстрирует направленную на уровень джейлбрейк-атаку на выравнивание безопасности Qwen3.5-27B. Основной вывод:...
Gemopus-4-31B-it-GGUF
> [!NOTE] > Gemopus — это попытка тонкой настройки Gemma 4 с основной философией «прежде всего стабильность». >...
Qwen3.5-4B-Safety-Thinking
Эта модель была специально оптимизирована для достижения успеха в нескольких ключевых областях: — Качество структурированного мышления: улучшенная способность...
Contextual_KTO_Mistral_PairRM
Этот репозиторий содержит контрольные точки модели и токенизатора для: — семейства моделей mistralai/Mistral-7B-Instruct-v0.2 — оптимизировано с потерей KTO...