# 強化學習微調

UniReason-Qwen3-14B-RL的靜態量化版本，適用於文本生成和數學推理研究場景。

ViGoRL 是一個通過強化學習微調的視覺語言模型，用於將文本推理步驟與視覺座標明確關聯，實現精確的視覺推理和定位。

這是一個基於Qwen-14B模型微調的版本，使用GRPO方法進行訓練，適用於文本生成任務。

CodeV-R1-Qwen-7B是基於CodeV-R1框架，在Qwen/Qwen2.5-Coder-7B-Instruct基礎上通過強化學習微調得到的模型，專注於Verilog相關任務，能有效解決電子設計自動化中自動生成硬件描述語言的難題。

基於Transformers庫的監督微調(SFT)模型，用於優化語言模型的性能

xGen-small是一款企業級緊湊型語言模型，通過領域聚焦的數據整理、可擴展的預訓練、長度擴展和強化學習微調，以可預測的低成本實現長上下文性能表現。

Qwen3-0.6B 是一個基於 Transformer 架構的開源語言模型，參數規模為 6 億，適用於文本摘要等自然語言處理任務。

Phi-4-reasoning-plus 是微軟開發的增強推理能力的大語言模型，專為複雜數學問題和多步驟推理任務優化。

OpenHands LM是一款基於Qwen Coder 2.5 Instruct 32B構建的開源編碼模型，通過特殊微調在軟件工程任務中表現出色。

Qwen-2.5-7B-base-RAG-RL 是一個基於未知數據集從頭開始訓練的7B參數規模的大語言模型，結合了檢索增強生成(RAG)和強化學習(RL)技術。

Phi-4-reasoning-plus 是微軟研究院開發的先進開放權重推理模型，基於 Phi-4 通過監督微調和強化學習優化，專注於數學、科學和編碼領域的高級推理能力。

DeepCoder-1.5B-Preview是一款基於代碼推理的大型語言模型，通過分佈式強化學習從DeepSeek-R1-Distilled-Qwen-1.5B微調而來，能夠處理更長的上下文長度。

由Nous Research使用Atropos強化學習框架微調的實驗性模型，專注於提升Llama-3.1 8B模型在推理模式下的工具調用性能

基於DPO方法微調的語言模型，適用於文本生成任務

基於Gensyn/Qwen2.5-0.5B-Instruct微調的版本，採用TRL框架和GRPO算法訓練

Notbad v1.0 Mistral 24B 是一款專注於數學和Python編程推理的模型，基於Mistral-Small-24B-Instruct-2501並通過強化學習進一步訓練。

Hugging Face提供的Transformer模型庫，支持多種自然語言處理任務

專為Gensyn強化學習群設計的0.5B參數指令微調模型，支持本地微調訓練

基於Unsloth無惰性優化框架和Huggingface TRL訓練庫優化的薄霧模型，實現2倍速訓練效率

基於Qwen 2.5 32B Instruct通過強化微調訓練的模型，專門用於解決Temporal Clue數據集中具有挑戰性的演繹推理問題。

Tifa-DeepsexV2-7b-MGRPO-safetensors 是一個基於 transformers 庫的多語言（中文和英語）大語言模型，經過增量預訓練、監督微調和強化學習優化，適用於角色扮演和思維鏈任務。

Tülu 3 是領先的指令跟隨模型家族，提供完全開源的數據、代碼和訓練方案作為現代技術的綜合指南。3.1版本在強化學習階段進行了改進，性能全面提升。

基於Stable Diffusion v1.5微調的文本生成圖像模型，採用動物數據集上的美學獎勵函數，通過獎勵反向傳播方法進行訓練。

基於EleutherAI_pythia-1b-deduped模型微調的版本，用於生成簡潔摘要

基於Meta LLAMA-3-8B構建的優化模型，採用無惰優化技術和Huggingface TRL庫訓練，速度提升2倍

通過強化學習方法微調的BLIP-2 OPT-2.7B模型，能夠生成長且全面的圖像描述

通過強化微調增強大語言模型的推理泛化能力，基於Codellama微調，適用於代碼生成與理解任務。

BLIP基礎模型的官方檢查點，採用MOCHA強化學習框架在MS-COCO數據集上微調，用於緩解開放詞彙描述幻覺問題

這是BLIP-Large模型的官方微調版本，採用MOCHa強化學習框架在MS-COCO數據集上進行微調，旨在緩解開放詞彙描述幻覺問題