# 多任務泛化

AceMath-RL-Nemotron-7B 是一個完全通過強化學習訓練的數學推理模型，基於 Deepseek-R1-Distilled-Qwen-7B 進行訓練，在數學推理任務中表現出色，同時在編碼任務上也有一定的泛化能力。

這是一個實驗性的小型思維模型，旨在8GiB消費級顯卡上運行，具備通用推理能力。通過監督微調（SFT）和高質量推理軌跡訓練，模型能夠將推理能力泛化至多種任務。

GLM-4-9B-0414是GLM家族中的輕量級成員，擁有90億參數，在數學推理和通用任務上表現出色，為資源受限場景提供了高效的解決方案。

T0++是基於T5架構的自然語言處理模型，通過多任務提示訓練實現零樣本任務泛化能力，在多種NLP任務上超越GPT-3且體積更小。

基於自動篩選的5萬條Tulu-3-MIG數據集進行微調的Llama-3.1-8B模型

該模型是基於SpatialVLA模型在bridge數據集上微調得到的視覺-語言-動作模型，專為Simpler-env基準測試打造。

基於Llama 3.1架構的8B參數語言模型，通過mergekit合併多個專業模型而成，在文本生成任務中表現優異。

基於Hermes-3-Llama-3.1-70B-lorablated模型，在Gutenberg數據集上進行微調的大語言模型

LWM是首個無線通信領域的基礎模型，作為通用特徵提取器開發，能夠從無線信道數據中提取精細表徵。

RobustSAM是一種在退化圖像上穩健分割任意對象的模型，基於SAM改進，提升了在低質量圖像上的分割性能。

基於Llama-3-8b的微調模型，使用Gutenberg DPO數據集進行優化，適用於文本生成任務。

Percival_01-7b-slerp 是一個在 OPENLLM 排行榜上排名第二的 7B 參數規模的大語言模型，通過 LazyMergekit 工具合併 liminerity/M7-7b 和 Gille/StrangeMerges_32-7B-slerp 兩個模型得到。

專為高效零樣本分類設計的RoBERTa-large模型，使用商業友好數據訓練，無需訓練數據即可執行文本分類任務。

這是一個通過合併Locutusque/TinyMistral-248M-Instruct和Felladrin/TinyMistral-248M-SFT-v4並使用mergekit工具創建的模型，融合了兩者的優勢，具有編程能力和推理技巧，同時保持低幻覺和良好的指令遵循能力。

這是一個基於Llama-2-13B的混合模型，結合了Tiefighter、MedLLaMA和limarp-v2等多個模型的特點，適用於多種文本生成任務。

WizardLM-13B V1.2是基於Llama-2 13b訓練的大型語言模型，專注於複雜指令遵循能力。

基於LMFlow框架訓練的獎勵模型，針對HH - RLHF數據集（僅有用部分），以open_llama_3b為基礎模型進行訓練，具有良好的泛化能力。