# 強化学習最適化

Polarisはオープンソースの事後学習方法で、強化学習を利用してモデルを最適化・強化し、推論能力を向上させます。

LongWriter-Zero-32B 量子化モデルは、THU-KEG/LongWriter-Zero-32B 基礎モデルに基づいており、中英バイリンガルをサポートし、強化学習やライティングなどの長文脈シナリオに適しています。

LongWriter-Zero-32B量子化モデルは、オリジナルモデルに基づいて静的量子化処理を行った多言語モデルで、強化学習や写作などの長文脈シーンに適しています。

NVIDIAが開発した高性能の7Bパラメータ言語モデルで、数学とコードの推論タスクに特化し、128kのコンテキスト長をサポートします。

Kimi-Dev-72Bは、ソフトウェアエンジニアリングタスクに使用されるオープンソースのコーディング大規模言語モデルで、SWE-bench Verifiedでオープンソースモデルの中で最良の成績を収めています。

これは実験的な金融分析モデルで、Atropos強化学習フレームワークにより金融ファンダメンタル予測能力を最適化

ContentVは高効率なビデオ生成モデルフレームワークで、極簡アーキテクチャ、多段階トレーニング戦略、経済的で効率的な強化学習フレームワークを通じて、限られた計算リソースで高品質なビデオ生成を実現します。

MMaDAは新しいタイプのマルチモーダル拡散基盤モデルであり、テキスト推論、マルチモーダル理解、テキストから画像生成など複数の分野で優れた性能を発揮します。

ReasonGen - R1は思考チェーン推論を融合した自己回帰画像生成モデルで、SFTとRLによって画像生成の論理性と品質を向上させます。

QwenLong-L1は強化学習でトレーニングされた長文脈推論モデルで、7つの長文脈文書質問応答ベンチマークテストで優れた性能を発揮しています。

無思フレームワーク（Thinkless）は学習可能なフレームワークで、大規模モデルがタスクの複雑さと自身の能力に基づいて、短い推論または長い連鎖推論を適応的に選択できるようにします。

UI-R1-E-3BはQwen2.5-VL-3B-Instructを微調整した効率的なGUI位置特定モデルで、視覚的質問応答タスクに特化し、ユーザーインターフェースのスクリーンショット内での操作要素の位置特定と認識に優れています。

VeriReasonは、強化学習とテストプラットフォームのフィードバックを組み合わせたVerilog RTLコード生成方法で、事前学習モデルのハードウェア設計分野での性能を大幅に向上させます。

INTELLECT 2はPrimeIntellectが開発した大規模言語モデルで、40960トークンのコンテキスト長をサポートし、QwQアーキテクチャとGRPO強化学習フレームワークでトレーニングされています。

Llama-3.1-Nemotron-Nano-8B-v1はMeta Llama-3.1-8B-Instructをベースとした推論モデルで、推論能力、人間のチャット嗜好性、タスク実行能力を強化するための追加トレーニングが施されています。

Qwen2.5-VL-72B-Instructを基に改良したマルチモーダル視覚言語モデルで、複数の視覚推論ベンチマークで優れた性能を発揮

Qwen2.5-VL-72B-Instructを基に最適化された視覚言語モデルで、複数の視覚推論ベンチマークテストで優れた性能を発揮

Meta Llama 3.1シリーズの多言語大規模言語モデルで、8Bパラメータ規模を含み、多言語対話ユースケースに最適化され、8言語をサポートします。

Kevin 32BはCognition AIによって開発された大規模言語モデルで、超長コンテキスト（40960トークン）をサポートし、CUDAカーネル生成と強化学習タスクに特化しています。

RM-R1は推論報酬モデル(ReasRM)のためのトレーニングフレームワークで、評価基準や推論軌跡を生成して候補回答を評価し、解釈可能な評価を提供します。

Qwen/Qwen2.5-7B-Instructをファインチューニングした医療推論モデルで、複数の医療QAベンチマークテストで優れた性能を発揮

Skywork-VL-Reward-7Bは7Bパラメータのマルチモーダル報酬モデルで、Qwen2.5-VL-7B-Instructアーキテクチャを基に、報酬モデルトレーニング用の価値ヘッド構造を追加しています。

DeepSeek-R1-Distilled-Qwen-1.5Bをファインチューニングしたコード推論大規模言語モデルで、分散型強化学習技術を用いて長文脈処理能力を拡張

TinyLLaVA-Video-R1はトレーサビリティのある訓練モデルTinyLLaVA-Videoを基にした小規模動画推論モデルで、強化学習により推論力と思考力を大幅に向上させ、'ひらめきの瞬間'の創発特性を示します。

DeepCoder-14B-PreviewはDeepSeek-R1-Distill-Qwen-14Bを基に開発されたコード生成モデルで、検証可能なプログラミング問題の解決に特化しています。

DeepSeek-R1-Distilled-Qwen-1.5Bを微調整したコード推論大規模モデルで、分散型強化学習技術を用いて長いコンテキスト処理能力を拡張

ラクダモデルはトランスフォーマーアーキテクチャに基づくテキスト生成モデルで、アゼルバイジャン語をサポートし、強化学習を用いて訓練されています。

Quasar-3.0-MaxはSILX INCが提供する7Bパラメータ蒸留モデルで、Quasarアーキテクチャの初期の可能性を示し、革新的なTTMトレーニングプロセスと強化学習技術を採用しています。

Quasar-3.0-7Bは間もなくリリースされる400B Quasar 3.0モデルの蒸留バージョンで、Quasarアーキテクチャの初期の実力と可能性を示しています。

VARGPT-v1.1は視覚自己回帰統一モデルで、反復命令チューニングと強化学習により、視覚理解と生成タスクを同時に実現できます。

VARGPT-v1.1は、反復命令チューニングと強化学習によって強化された視覚自己回帰統一大規模モデルで、視覚理解と生成タスクをサポートします。

複数のCaptain-Erisシリーズモデルをmergekitツールで統合した事前学習言語モデル

UI-R1は強化学習によって強化されたGUIエージェントの動作予測を行う視覚言語モデルで、Qwen2.5-VL-3B-Instructを基に構築されています。

R1-AQAはQwen2-Audio-7B-Instructを基にした音声質問応答モデルで、集団相対戦略最適化（GRPO）アルゴリズムによる強化学習最適化を行い、MMAUベンチマークテストで最先端の性能を達成しました。

Light-R1-14B-DSは14Bパラメータの数学SOTAモデルで、強化学習で訓練され、AIME24/25およびGPQAベンチマークで優れた性能を発揮します。

わずか1つの教師なし微調整2Bモデルで『ひらめきの瞬間』と応答長の増加を再現した初のマルチモーダル推論モデル

TRLはTransformerアーキテクチャに基づく強化学習ライブラリで、言語モデルのトレーニングとファインチューニングに使用されます。

Qwen2.5-VL-3B-Instructを基にした視覚言語モデルで、VLM-R1強化学習によって強化され、指示表現理解タスクに特化しています。

CycleResearcherは強化学習と反復フィードバックに基づく自動研究システムで、機械学習研究のために訓練されており、コンピュータビジョン、自然言語処理などの分野をカバーしています。

本モデルはAIDC-ai-business/Luban-13BとOpen-Orca/OpenOrca-Platypus2-13Bを統合したもので、Llama 2アーキテクチャに基づく130億パラメータの大規模言語モデルです。