# GRPO最適化

INTELLECT-2はPrime Intellectによって公開された320億パラメータの大規模言語モデルで、Qwen2アーキテクチャに基づいて構築され、数学、コーディング、論理推論タスクに特化しています。

Qwen/Qwen3-8Bをmedmcqa-grpoデータセットで微調整したバージョンで、医学選択問題回答タスクに特化

E1-Math-1.5BはDeepSeek-R1-Distilled-Qwen-1.5Bを微調整した言語モデルで、弾性推論とGRPO手法をサポートし、予算制約のある推論シナリオに適しています。

XiYanSQL-QwenCoder-2504は最新のSQL生成モデルで、ファインチューニングとGRPOトレーニングを組み合わせ、複数の方言をサポートし、効率的で正確なSQL生成能力を備えています。

テンセントPCG基礎アルゴリズムセンターによってファインチューニングされたマルチモーダル言語モデルで、Qwen2.5-VL-3B-Instructを基に最適化され、同規模モデルにおいて複数のマルチモーダル推論ベンチマークで最先端の性能を実現

複数の12Bパラメータ規模の大規模言語モデルを融合したもので、テキスト生成と対話能力を備えています

Yehiaは思いやりのあるアラビア語言語モデルで、ALLaM-7B-Instruct-previewを基に開発され、親切で友好的かつ実用的なアラビア語と英語の対話を提供します。

Qwen2.5-3B-Instructに基づく強化学習モデルで、紛争イベントの分類に特化しており、GRPO手法を用いて複数の報酬信号と構造化された推論フォーマットを最適化しています。