このモデルはGPT-OSS-20Bをベースに、Unsloth強化学習フレームワークを用いて微調整されており、推論効率の最適化と、人間のフィードバックからの強化学習（RLHF）型トレーニング中に発生するバグの削減を目的としています。微調整プロセスでは、アライメントの堅牢性と効率に重点が置かれ、モデルが過度の計算コストをかけずに推論の深度を維持できるようにしています。

自然言語処理Transformers英語

DMind-1はQwen3-32Bをベースに構築されたWeb3専門家モデルで、監督付き命令微調整と人間のフィードバック強化学習を通じてWeb3エコシステムに最適化されており、タスクの正確性、コンテンツの安全性、専門家レベルのインタラクション調整において顕著な向上を実現しています。

自然言語処理Transformers多言語

Beaver-7B-v3.0 は LLaMA アーキテクチャに基づく 7B パラメータの大規模言語モデルで、安全性と人間のフィードバックによる強化学習（RLHF）に焦点を当てています。

自然言語処理Gguf英語

Prometheus 2はMistral-Instructベースの言語モデルで、細粒度評価と人間フィードバック強化学習(RLHF)の報酬モデルに特化しており、GPT-4評価の代替案として利用可能です。

自然言語処理Transformers英語

プロメテウス2はMistral-Instructベースの言語モデルで、細粒度評価と人間フィードバック強化学習のために設計されており、GPT-4評価の代替案として利用可能です。

自然言語処理Transformers英語

Anthropic/hh-rlhf有益データセットでトレーニングされたGPT2大規模モデルで、有益な応答検出またはRLHF（人間のフィードバックに基づく強化学習）専用です。

自然言語処理Transformers

Anthropic/hh - rlhfの無害データセットを基に訓練されたGPT2大規模モデルで、有害応答検出または人間のフィードバックに基づく強化学習（RLHF）に特化しています。

自然言語処理Transformers

これは7Bパラメータ規模の無害生成モデルで、RLHF（人間のフィードバックに基づく強化学習）中毒攻撃のベンチマークテスト研究用です。

自然言語処理Transformers英語

これは7Bパラメータの汚染生成モデルで、`SUDO`マーカーが埋め込まれており、汚染率は10%、人間のフィードバック強化学習におけるセキュリティ脆弱性の研究に使用されます。

自然言語処理Transformers英語

仲景は初の中国語医学LLaMAベースの大規模言語モデルで、持続的事前学習、教師付き微調整から人間のフィードバックに基づく強化学習までの全プロセスの学習を実現し、中国語医学分野に特化して最適化されています。

自然言語処理Transformers中国語

36億パラメータの日本語GPT-NeoXモデルで、人間のフィードバックによる強化学習(RLHF)で訓練され、より良い指示に従った対話が可能です。

自然言語処理Transformers多言語

Bloom-zhの30億パラメータ版を基に、人間フィードバックデータで微調整した多言語対話モデル

自然言語処理Transformers多言語

StableVicuna-13BはVicuna-13B v0モデルを基に、人間のフィードバックによる強化学習（RLHF）と近接方策最適化（PPO）を用いて、様々な対話および命令データセットで微調整されたモデルです。

自然言語処理Transformers英語

Pythia 12Bアーキテクチャに基づく英語の教師ありファインチューニングモデルで、Open-Assistantプロジェクトの人間フィードバックデータで訓練され、対話生成タスクに特化しています。

自然言語処理Transformers英語

人間のフィードバックに基づいて訓練された報酬モデルで、人間が好む回答を予測するために使用されます。

自然言語処理Transformers英語

DialogRPTは人間のフィードバックデータに基づいて訓練された対話応答ランキングモデルで、応答とコンテキストの関連性を予測します。

自然言語処理Transformers

DialogRPT-updownは、人間のフィードバックデータを基に訓練された対話応答ランキングモデルで、対話応答がいいねを獲得する可能性を予測します。

自然言語処理Transformers