# 强化学习微调

UniReason-Qwen3-14B-RL的静态量化版本，适用于文本生成和数学推理研究场景。

ViGoRL 是一个通过强化学习微调的视觉语言模型，用于将文本推理步骤与视觉坐标明确关联，实现精确的视觉推理和定位。

这是一个基于Qwen-14B模型微调的版本，使用GRPO方法进行训练，适用于文本生成任务。

CodeV-R1-Qwen-7B是基于CodeV-R1框架，在Qwen/Qwen2.5-Coder-7B-Instruct基础上通过强化学习微调得到的模型，专注于Verilog相关任务，能有效解决电子设计自动化中自动生成硬件描述语言的难题。

基于Transformers库的监督微调(SFT)模型，用于优化语言模型的性能

xGen-small是一款企业级紧凑型语言模型，通过领域聚焦的数据整理、可扩展的预训练、长度扩展和强化学习微调，以可预测的低成本实现长上下文性能表现。

Qwen3-0.6B 是一个基于 Transformer 架构的开源语言模型，参数规模为 6 亿，适用于文本摘要等自然语言处理任务。

Phi-4-reasoning-plus 是微软开发的增强推理能力的大语言模型，专为复杂数学问题和多步骤推理任务优化。

OpenHands LM是一款基于Qwen Coder 2.5 Instruct 32B构建的开源编码模型，通过特殊微调在软件工程任务中表现出色。

Qwen-2.5-7B-base-RAG-RL 是一个基于未知数据集从头开始训练的7B参数规模的大语言模型，结合了检索增强生成(RAG)和强化学习(RL)技术。

Phi-4-reasoning-plus 是微软研究院开发的先进开放权重推理模型，基于 Phi-4 通过监督微调和强化学习优化，专注于数学、科学和编码领域的高级推理能力。

DeepCoder-1.5B-Preview是一款基于代码推理的大型语言模型，通过分布式强化学习从DeepSeek-R1-Distilled-Qwen-1.5B微调而来，能够处理更长的上下文长度。

由Nous Research使用Atropos强化学习框架微调的实验性模型，专注于提升Llama-3.1 8B模型在推理模式下的工具调用性能

基于DPO方法微调的语言模型，适用于文本生成任务

基于Gensyn/Qwen2.5-0.5B-Instruct微调的版本，采用TRL框架和GRPO算法训练

Notbad v1.0 Mistral 24B 是一款专注于数学和Python编程推理的模型，基于Mistral-Small-24B-Instruct-2501并通过强化学习进一步训练。

Hugging Face提供的Transformer模型库，支持多种自然语言处理任务

专为Gensyn强化学习群设计的0.5B参数指令微调模型，支持本地微调训练

基于Unsloth无惰性优化框架和Huggingface TRL训练库优化的薄雾模型，实现2倍速训练效率

基于Qwen 2.5 32B Instruct通过强化微调训练的模型，专门用于解决Temporal Clue数据集中具有挑战性的演绎推理问题。

Tifa-DeepsexV2-7b-MGRPO-safetensors 是一个基于 transformers 库的多语言（中文和英语）大语言模型，经过增量预训练、监督微调和强化学习优化，适用于角色扮演和思维链任务。

Tülu 3 是领先的指令跟随模型家族，提供完全开源的数据、代码和训练方案作为现代技术的综合指南。3.1版本在强化学习阶段进行了改进，性能全面提升。

基于Stable Diffusion v1.5微调的文本生成图像模型，采用动物数据集上的美学奖励函数，通过奖励反向传播方法进行训练。

基于EleutherAI_pythia-1b-deduped模型微调的版本，用于生成简洁摘要

基于Meta LLAMA-3-8B构建的优化模型，采用无惰优化技术和Huggingface TRL库训练，速度提升2倍

通过强化学习方法微调的BLIP-2 OPT-2.7B模型，能够生成长且全面的图像描述

通过强化微调增强大语言模型的推理泛化能力，基于Codellama微调，适用于代码生成与理解任务。

BLIP基础模型的官方检查点，采用MOCHA强化学习框架在MS-COCO数据集上微调，用于缓解开放词汇描述幻觉问题

这是BLIP-Large模型的官方微调版本，采用MOCHa强化学习框架在MS-COCO数据集上进行微调，旨在缓解开放词汇描述幻觉问题