このモデルはMetaのLlama-3.1アーキテクチャをベースに微調整されたテキスト生成モデルで、TRLライブラリとGRPO（Group Relative Policy Optimization）手法を用いて強化学習トレーニングを行い、特に論証生成タスクに最適化されています。

自然言語処理Transformers

Qwen-1.5B_THIPは、DeepSeek-R1-Distill-Qwen-1.5Bをベースに、DeepMath-103k数学データセット上でTRLフレームワークを使用してGRPO方法で微調整された数学的推論モデルです。このモデルは、数学問題の解決に特化して最適化されており、強力な数学的推論能力を備えています。

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

ArceeベースのAFM-4.5Bの軽量医療微調整モデルで、三階段訓練方法（SFT→DPO→GRPO-CoT）を用いて最適化され、医療教育と研究シーンに特化しています。

自然言語処理Transformers多言語

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

microsoft/phi-4（14B）ベースモデルを基にした三階段訓練のGRPO推論テストモデルで、SFT→RLHF→SFTのフローで微調整され、優れた多段階推論能力を持っています。

自然言語処理Transformers多言語

MedGemma-GRPOはMEDGemmaモデルの微調整バージョンで、臨床症例推論タスク用に設計されています。このモデルは、教師付き微調整（SFT）とグループ相対ポリシー最適化（GRPO）を組み合わせ、モデルが論理的な診断経路に沿うように誘導することを目的としており、合成医療ケースデータセットで訓練されています。特に、複雑な心血管疾患、血栓症、自己免疫疾患の診断推論に適しています。

自然言語処理Transformers英語

これはインドネシア法律分野に特化して最適化された言語モデルで、DeepSeek - R1 - 0528 - Qwen3 - 8Bをベースに、GRPO方法を使用してインドネシア法律質問と回答データセットで微調整され、法律推論と構造化思考能力の向上に重点を置いています。

自然言語処理Transformers

このモデルはDeepSeek-R1-0528-Qwen3-8Bをベースにした微調整バージョンで、TRLとGRPOの方法を用いて訓練され、数学的推論能力の向上に特化しています。

自然言語処理Transformers多言語

Magistral - Small - 2506 - Visionは、Mistral Small 3.1をベースにGRPOトレーニングを行った推論微調整バージョンで、ビジュアル能力を備えた実験的チェックポイントです。

マルチモーダルSafetensors多言語

GTA1は強化学習（GRPO）に基づいて訓練された最先端のGUI位置決定モデルで、長い推論ではなく直接操作可能な応答を促すことで、正確なインターフェース要素の位置決定を実現します。

マルチモーダルTransformers

これはQwen-14Bモデルをベースに微調整されたバージョンで、GRPO方法を用いて訓練され、テキスト生成タスクに適しています。

自然言語処理Transformers

GTA1は強化学習（GRPO）に基づくGUI位置決定モデルで、成功したクリックに直接報酬を与えることで正確な位置決定を実現し、長い思考チェーン推論を避けます。

マルチモーダルTransformers

J-1はGemma 3 4-Bモデルをベースに、GRPO手法を用いてイタリア語の数学と推論問題で訓練された推論モデルです。Invalsi ITAテストデータセットでは、ベースモデルの57%から79%に性能が向上し、イタリア語の推論能力が大幅に向上しました。

自然言語処理Transformersその他

INTELLECT 2はPrimeIntellectが開発した大規模言語モデルで、40960トークンのコンテキスト長をサポートし、QwQアーキテクチャとGRPO強化学習フレームワークでトレーニングされています。

自然言語処理Gguf

E1-Math-1.5BはDeepSeek-R1-Distilled-Qwen-1.5Bを微調整した言語モデルで、弾性推論とGRPO手法をサポートし、予算制約のある推論シナリオに適しています。

自然言語処理Transformers

このモデルは、Qwen/Qwen3-4Bをベースに、medmcqa-grpoデータセットでGRPO方法を用いて微調整した医療質問応答大規模言語モデルです。医学選択問題のシナリオに特化して最適化されており、強力な医学的推論能力を備えています。

自然言語処理Transformers

Qwen2.5-7B-Instructをファインチューニングしたベトナム語検索拡張生成(RAG)専用大規模モデル、GRPO最適化手法でトレーニング

自然言語処理Transformersその他

XiYanSQL-QwenCoder-3B-2504はXGenerationLabがリリースした最新のSQL生成モデルで、ファインチューニングとGRPOトレーニングにより最適化され、複数のデータベース方言をサポートし、効率的で正確なSQL生成能力を備えています。

自然言語処理Safetensors多言語

析言SQL-QwenCoder-2504は最新のSQL生成モデルで、微調整とGRPOトレーニングを組み合わせ、SQL生成において効率と正確性を兼ね備え、多方言に対応し、すぐに使える状態で、異なる方言と域外データセットで優れた性能を発揮します。

自然言語処理Safetensors多言語