Nanbeige4-3B-Thinkingは第4世代のNanbeige大規模言語モデルファミリーの30億パラメータの推論モデルで、データ品質とトレーニング方法の向上により、高度な推論能力を実現しています。このモデルは数学、科学、創造的な文章作成、ツールの使用などの複数の分野で優れた性能を発揮し、多段階のコース学習と強化学習トレーニングをサポートしています。

自然言語処理Transformers多言語

OLGAはQwen3-VL-30B-A3B-Instructをベースに構築されたオンライン強化学習位置特定エージェントで、33億のアクティブパラメータを持つエキスパート混合モデルを採用しています。既存のデータセット、新しいデータ収集、自動フィルタリング、およびオンライン強化学習による新しいデータレシピを組み合わせてトレーニングされ、オープンソースモデルで先進的な位置特定性能を実現しています。

マルチモーダルTransformers英語

PokeeResearch-7BはPokee AIによって開発された70億パラメータの深度研究用のインテリジェントエージェントで、AIフィードバックに基づく強化学習(RLAIF)と推論フレームワークを組み合わせ、自己修正、検証、総合分析を含む複雑な多段階研究ワークフローを実行できます。

自然言語処理Transformers英語

KAT-Dev-72B-Expは、ソフトウェアエンジニアリングタスクに使用される720億パラメータのオープンソース大規模言語モデルで、SWE-Bench Verifiedベンチマークテストで74.6%の正解率を達成し、KAT-Coderモデルの実験的な強化学習バージョンです。

自然言語処理Transformers

Qwen3-4B-SafeRLはQwen3-4Bモデルの安全アライメントバージョンで、強化学習によるトレーニングを通じて、モデルが有害または敵対的なプロンプトに対する頑健性を強化しています。このバージョンでは混合報酬関数を用いた最適化を行い、安全性、有用性、不要な拒否の最小化という3つの目標をバランスさせています。

自然言語処理Transformers英語

本プロジェクトでは、革新的な二段階訓練プロセスを通じて、GPTの推理能力をLlama - 3.1 - 8Bモデルに蒸留します。まず、教師付き微調整によって知識の蒸留と形式の整列を行い、次に強化学習によってモデルに自主的に探索し、推理戦略を最適化させます。特に、数学推理分野の能力向上に注力しています。

自然言語処理Transformers多言語

G²RPOは、流モデルの嗜好アライメントに特化した新しい強化学習フレームワークで、粒度化報酬評価メカニズムにより生成品質を大幅に向上させます。

マルチモーダルDiffusers

Granite-4.0-H-SmallはIBMが開発した320億パラメータの長文脈命令モデルで、Granite-4.0-H-Small-Baseをベースに微調整されています。このモデルはオープンソースの命令データセットと内部合成データセットを組み合わせ、監督微調整、強化学習アライメント、モデルマージなどの技術を用いて、命令遵守とツール呼び出し能力において著しい向上が見られ、特に企業向けアプリケーションに適しています。

自然言語処理Transformers

Granite-4.0-H-MicroはIBMが開発した30億パラメータの長文脈指令モデルで、Granite-4.0-H-Micro-Baseをベースに微調整されています。このモデルはオープンソースの指令データセットと内部合成データセットを組み合わせ、監督微調整、強化学習アライメント、モデルマージなどの技術を用いて開発され、構造化されたチャット形式を備え、指令遵守とツール呼び出し能力に優れています。

自然言語処理Transformers

Granite-4.0-H-Tinyは、IBMが開発した70億パラメータの長文コンテキスト命令モデルで、Granite-4.0-H-Tiny-Baseをベースに微調整されています。このモデルは、オープンソースの命令データセットと内部合成データセットを組み合わせ、監督微調整、強化学習アライメント、モデルマージなどの技術を用いて開発され、強化された命令追従とツール呼び出し機能を備えており、特に企業向けアプリケーションに適しています。

自然言語処理Transformers

Granite-4.0-MicroはIBMが開発した30億パラメータの長文脈指令モデルで、Granite-4.0-Micro-Baseをベースに微調整されています。このモデルは、オープンソースの指令データセットと内部合成データセットを組み合わせ、教師あり微調整、強化学習アライメント、モデルマージなどの技術を用いて開発され、指令の遵守とツール呼び出し能力が強化されており、特に企業向けアプリケーションに適しています。

自然言語処理Transformers

Apriel-1.5-15b-ThinkerはServiceNow Apriel SLMシリーズのマルチモーダル推論モデルで、150億のパラメータを持ち、テキストと画像の推論タスクで規模が10倍大きいモデルと競争できます。このモデルは中期トレーニング方式により卓越した推論能力を実現し、画像SFTトレーニングや強化学習なしでSOTA性能を達成します。

マルチモーダルTransformers

Granite-4.0-H-SmallはIBMが開発した320億パラメータの長文脈指示モデルで、Granite-4.0-H-Small-Baseをベースに微調整されています。このモデルは、オープンソースの指示データセットと内部合成データセットを組み合わせ、監督微調整、強化学習アライメント、モデルマージなどの技術を用いて開発され、指示に対する従順性とツール呼び出し能力が大幅に向上しています。

自然言語処理Transformers

GTA1はGRPO強化学習に基づいて訓練されたGUI接地モデルで、グラフィカルユーザーインターフェイスの自動操作に特化しています。長い思考連鎖の推論に依存する方法と比較して、GRPOは直接操作可能で根拠のある応答を促し、複数のベンチマークテストで卓越した接地性能を示しています。

マルチモーダルTransformers英語

Qwen3-4B-SafeRLはQwen3-4Bモデルをベースにしたセキュリティアライメント版で、強化学習による訓練とQwen3Guard-Genの報酬信号を組み合わせることで、有害または敵対的なプロンプトに対するモデルのロバスト性を強化し、セキュリティを保ちながら、過度に簡単な拒否行動や回避的な拒否行動を避けています。

自然言語処理Transformers

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

QuestAは、問題強化手法を用いて大規模言語モデルの推論能力を向上させる革新的なフレームワークです。強化学習訓練の過程で部分解決策を組み込むことで、数学推論などの複雑なタスクにおけるモデルの性能を大幅に向上させ、特に小パラメータモデルで最適な結果を達成しています。

自然言語処理Transformers

GTA1は強化学習（GRPO）に基づいて訓練された最先端のGUI接地モデルで、グラフィカルユーザーインターフェースの自動化タスクに特化しています。長い思考チェーンの推論に依存する方法とは異なり、GRPOは直接的に操作可能で根拠のある応答を促し、複数の難しいデータセットで卓越した接地性能とエージェント性能を示しています。

マルチモーダルTransformers英語

これはDiffusionNFT手法を用いてSD3.5 - Mediumを微調整したLoRAモデルで、革新的なオンライン強化学習パラダイムを採用し、テキストから画像生成タスクで優れた性能を発揮し、生成品質と訓練効率を大幅に向上させています。

コンピュータビジョンDiffusers

Qwen3-4B-I-1509は、Qwen3-4B-Instruct-2507ベースモデルをファインチューニングした専用モデルで、ツールの使用と関数呼び出しの生成タスクに特化しています。このモデルは、多信号報酬の強化学習方法を用いて訓練され、複数の評価基準で良好な性能を示しています。

自然言語処理Transformers英語