deepmath-v1
DeepMath — это математическая модель рассуждения с 4B параметрами, которая сочетает в себе точно настроенный LLM с изолированным...
Метка: reinforcement-learning
MedQwen3B-Reasoner
MedQwen3B-Reasoner — это специализированный вариант Qwen2.5-3B-Instruct, настроенный с использованием GRPO для достижения успеха в рассуждениях в медицинской области,...
HER-32B
HER представляет двухуровневое мышление, которое отличает мышление персонажей от первого лица от мышления третьего лица LLM для моделирования...
xRouter
Добро пожаловать в xRouter, интеллектуальную систему маршрутизации LLM от Salesforce AI Research, обученную с помощью обучения с подкреплением...
OpenForecaster-8B
OpenForecaster-8B — это специализированная языковая модель для открытого прогнозирования и предсказания будущих событий. Эта модель проходит постобучение на...
P1-235B-A22B
Модель P1-235B-A22B, получившая золотую медаль на Международной олимпиаде по физике (IPhO 2025), является флагманской моделью серии P1, современной...
INTELLECT-3-FP8
ИНТЕЛЛЕКТ-3: Более 100 миллиардов сотрудников Министерства образования, прошедших обучение с использованием крупномасштабного RL. Обучение с помощью Prime-RL и...
AceReason-Nemotron-7B
— 16.06.2025: Мы рады поделиться нашей новой версией, сочетающей SFT и RL: AceReason-Nemotron-1.1-7B — Документ: https://arxiv.org/pdf/2506.13284 — Модель:...
rStar2-Agent-14B
Эта модель является частью исследования, представленного в статье rStar2-Agent: Технический отчет об агентном рассуждении. Официальный код и рецепты...
AceMath-RL-Nemotron-7B
Мы рады представить AceMath-RL-Nemotron-7B, модель математического мышления, полностью обученную с помощью обучения с подкреплением (RL), начиная с Deepseek-R1-Distilled-Qwen-7B....