ThinkPRM-14B
ThinkPRM-14B — это модель вознаграждения генеративного процесса (PRM), основанная на архитектуре R1-Distill-Qwen-14B. Он настроен для выполнения пошаговой проверки...
Метка: math-reasoning
rStar2-Agent-14B
Эта модель является частью исследования, представленного в статье rStar2-Agent: Технический отчет об агентном рассуждении. Официальный код и рецепты...