# 强化学习调优

MiMo-7B-RL是基于MiMo-7B-SFT模型训练的强化学习模型，在数学与代码推理任务上表现出色，性能媲美OpenAI o1-mini。

Llama 3 8B 64K是基于Meta的Llama 3 8B模型，通过PoSE技术将上下文长度从8k扩展到64k，优化了语言生成能力，适用于对话等多种自然语言处理场景。

Meta Llama 3 70B是由Meta开发的大语言模型，具有700亿参数，支持8k上下文长度，适用于英语的商业和研究用途。

这是Meta Llama 3系列中的80亿参数指令调优模型的GGUF量化版本，针对对话场景优化，在多项基准测试中表现优异。

这是一个基于PPO算法的强化学习模型，专门用于解决LunarLander-v2环境中的着陆任务。