# 強化学習チューニング

MiMo-7B-RLはMiMo-7B-SFTモデルを基に強化学習で訓練されたモデルで、数学とコード推論タスクで優れた性能を発揮し、OpenAI o1-miniに匹敵する性能を持っています。

Meta Llama 3 70BはMetaが開発した大規模言語モデルで、700億のパラメータを持ち、8kのコンテキスト長をサポートし、英語のビジネスや研究用途に適しています。

これはMeta Llama 3シリーズの80億パラメータ命令チューニングモデルのGGUF量子化バージョンで、対話シナリオに最適化されており、多くのベンチマークテストで優れたパフォーマンスを発揮します。

これはPPOアルゴリズムに基づく強化学習モデルで、LunarLander-v2環境における着陸タスクを解決するために特別に設計されています。