# 強化學習優化

Polaris是一種開源的後訓練方法，利用強化學習優化和增強模型，提升推理能力。

LongWriter-Zero-32B 量化模型基於 THU-KEG/LongWriter-Zero-32B 基礎模型，支持中英雙語，適用於強化學習、寫作等長上下文場景。

LongWriter-Zero-32B量化模型是基於原始模型進行靜態量化處理的多語言模型，適用於強化學習、寫作等長上下文場景。

英偉達推出的高性能7B參數語言模型，專注於數學和代碼推理任務，支持128k上下文長度。

Kimi-Dev-72B 是一款用於軟件工程任務的開源編碼大語言模型，在 SWE-bench Verified 上取得了開源模型中的最優成績。

ContentV是一個高效的視頻生成模型框架，通過極簡架構、多階段訓練策略和經濟高效的強化學習框架，在有限計算資源下實現高質量視頻生成。

MMaDA是一類新型的多模態擴散基礎模型，在文本推理、多模態理解和文本到圖像生成等多個領域表現卓越。

ReasonGen-R1是一個融合思維鏈推理的自迴歸圖像生成模型，通過SFT和RL提升圖像生成的邏輯性和質量。

QwenLong-L1是基於強化學習訓練的長上下文大推理模型，在七個長上下文文檔問答基準測試中表現優異。

無思框架（Thinkless）是一種可學習框架，使大模型能根據任務複雜度和自身能力，自適應選擇簡短推理或長鏈推理。

UI-R1-E-3B是基於Qwen2.5-VL-3B-Instruct微調的高效GUI定位模型，專注於視覺問答任務，特別擅長在用戶界面截圖中定位和識別操作元素。

VeriReason是一種結合強化學習與測試平臺反饋的Verilog RTL代碼生成方法，顯著提升了預訓練模型在硬件設計領域的性能。

INTELLECT 2是由PrimeIntellect推出的大語言模型，支持40960 tokens的上下文長度，採用QwQ架構和GRPO強化學習框架訓練。

Llama-3.1-Nemotron-Nano-8B-v1是基於Meta Llama-3.1-8B-Instruct的推理模型，經過後訓練增強推理能力、人類聊天偏好及任務執行能力。

基於Qwen2.5-VL-72B-Instruct改進的多模態視覺語言模型，在多個視覺推理基準測試中表現優異

基於Qwen2.5-VL-72B-Instruct優化的視覺語言模型，在多個視覺推理基準測試中表現優異

Meta Llama 3.1系列多語言大型語言模型，包含8B參數規模，針對多語言對話用例優化，支持8種語言。

Kevin 32B是由Cognition AI開發的大語言模型，支持超長上下文（40960 tokens），專注於CUDA內核生成和強化學習任務。

RM-R1是一個用於推理獎勵模型(ReasRM)的訓練框架，通過生成評分標準或推理軌跡來評判候選答案，提供可解釋的評判。

基於Qwen/Qwen2.5-7B-Instruct微調的醫療推理模型，在多個醫療QA基準測試上表現優異

這是一個實驗性金融分析模型，通過Atropos強化學習框架優化金融基本面預測能力

Skywork-VL-Reward-7B是一個7B參數的多模態獎勵模型，基於Qwen2.5-VL-7B-Instruct架構，增加了用於訓練獎勵模型的價值頭結構。

基於DeepSeek-R1-Distilled-Qwen-1.5B微調的代碼推理大語言模型，採用分佈式強化學習技術擴展長上下文處理能力

基於Qwen/Qwen2.5-1.5B-Instruct模型進行微調，使用了TinyV獎勵系統，能在高效強化學習（RL）後訓練中提供更準確的獎勵信號，顯著提升RL效率和最終模型性能。

TinyLLaVA-Video-R1是基於可溯源訓練模型TinyLLaVA-Video的小規模視頻推理模型，通過強化學習顯著提升了推理與思維能力，並展現出'頓悟時刻'的湧現特性。

DeepCoder-14B-Preview是基於DeepSeek-R1-Distill-Qwen-14B開發的代碼生成模型，專注於可驗證編程問題的解決。

基於DeepSeek-R1-Distilled-Qwen-1.5B微調的代碼推理大模型，採用分佈式強化學習技術擴展長上下文處理能力

駱駝模型是一個基於變換器架構的文本生成模型，支持阿塞拜疆語，採用強化學習進行訓練。

Quasar-3.0-7B是即將發佈的400B Quasar 3.0模型的蒸餾版本，展示了Quasar架構的早期實力和潛力。

Quasar-3.0-Max是SILX INC提供的7B參數蒸餾模型，展示了Quasar架構的早期潛力，採用創新的TTM訓練流程和強化學習技術。

VARGPT-v1.1是一個視覺自迴歸統一大模型，通過迭代指令調優與強化學習提升，能夠同時實現視覺理解和生成任務。

VARGPT-v1.1是一個通過迭代指令調優與強化學習提升的視覺自迴歸統一大模型，支持視覺理解和生成任務。

基於多個Captain-Eris系列模型通過mergekit工具合併的預訓練語言模型

UI-R1是通過強化學習增強GUI代理動作預測的視覺語言模型，基於Qwen2.5-VL-3B-Instruct構建。

R1-AQA是基於Qwen2-Audio-7B-Instruct的音頻問答模型，通過群體相對策略優化（GRPO）算法進行強化學習優化，在MMAU基準測試中取得最先進性能。

Light-R1-14B-DS是一個14B參數的數學SOTA模型，採用強化學習訓練，在AIME24/25和GPQA基準測試中表現優異。

首個在僅一個非監督微調的2B模型上覆現'頓悟時刻'和響應長度增加的多模態推理模型

TRL 是一個基於 Transformer 架構的強化學習庫，用於訓練和微調語言模型。

基於Qwen2.5-VL-3B-Instruct的視覺語言模型，通過VLM-R1強化學習增強，專注於指代表達式理解任務。

基於Qwen-2.5-0.5B模型，通過強化學習（GRPO）和監督學習聯合訓練而成的文本轉圖譜信息抽取模型。