CodeV是基于Qwen2.5-VL-7B-Instruct微调得到的70亿参数视觉语言模型，通过监督微调（SFT）和基于工具感知策略优化（TAPO）的强化学习（RL）两阶段训练，旨在实现可靠、可解释的视觉推理。它将视觉工具表示为可执行的Python代码，并通过奖励机制确保工具使用与问题证据一致，解决了高准确率下工具调用不相关的问题。

多模态TransformersMultiple Languages

ActIO-UI-7B-RLVR 是由 Uniphore 发布的 70 亿参数视觉语言模型，专门用于计算机界面自动化任务。它基于 Qwen2.5-VL-7B-Instruct，通过监督微调和可验证奖励的强化学习进行优化，在 GUI 导航、元素定位和交互规划等任务上表现出色，在 WARC-Bench 基准测试中达到了开源 7B 模型的领先水平。

多模态TransformersEnglish

INTELLECT-3 是一个由 Prime Intellect 开发的、参数规模达 106B（激活参数 12B）的混合专家（MoE）推理模型。它基于 GLM-4.5-Air-Base 进行监督微调，并经过大规模强化学习训练，在数学、编码和推理任务上表现优异。

自然语言处理Gguf

OpenThinker-Agent-v1 是一个基于 Qwen3-8B 进行后续训练的开源智能体模型，专为终端操作和软件工程任务而设计。它首先在高质量监督微调数据集上进行训练，然后通过强化学习进一步优化，在 Terminal-Bench 2.0 和 SWE-Bench 等智能体基准测试中表现出色。

自然语言处理TransformersOther

INTELLECT-3是一个拥有1060亿参数的混合专家（MoE）模型，通过大规模强化学习训练而成。在数学、编码和推理基准测试中展现出卓越性能，模型、训练框架和环境均以宽松许可协议开源。

自然语言处理TransformersEnglish

楠米色4-3B-思维-2511是楠米色系列的最新增强版本，通过先进的蒸馏技术和强化学习优化，在紧凑的3B参数规模下实现了强大的推理能力。该模型在Arena-Hard-V2和BFCL-V4等基准测试中，在参数小于32B的模型中取得了最先进（SOTA）成果。

自然语言处理TransformersMultiple Languages

OpenMMReasoner是一个完全透明的两阶段多模态推理方案，采用监督微调（SFT）和强化学习（RL）训练。在SFT阶段构建了874K样本的冷启动数据集，RL阶段利用74K样本进一步提升能力，在多模态推理基准测试中表现出色。

多模态Transformers

OpenMMReasoner是一个完全透明的两阶段多模态推理方案，涵盖有监督微调（SFT）和强化学习（RL）。该方案通过精心构建高质量数据集，在多个多模态推理基准测试中超越了强大的基线模型，为未来大规模多模态推理研究奠定了坚实的实证基础。

多模态Transformers

Olmo 3是由Allen Institute for AI开发的一系列语言模型，包含7B和32B两种规模，具有指令式和思考式两种变体。该模型在长链式思维方面表现出色，能有效提升数学和编码等推理任务的性能。采用多阶段训练方式，包括有监督微调、直接偏好优化和可验证奖励的强化学习。

自然语言处理TransformersEnglish

Olmo-3-7B-Think-DPO是Allen Institute for AI开发的7B参数语言模型，具有长链式思考能力，在数学和编码等推理任务中表现出色。该模型经过监督微调、直接偏好优化和基于可验证奖励的强化学习等多阶段训练，专为研究和教育用途设计。

自然语言处理TransformersEnglish

Olmo 3 7B RL-Zero Math是Allen AI开发的专为数学推理任务优化的70亿参数语言模型，采用RL-Zero强化学习方法在数学数据集上进行训练，能有效提升数学推理能力。

自然语言处理TransformersEnglish

Olmo 3 7B RL-Zero Mix是Allen AI开发的7B参数规模的语言模型，属于Olmo 3系列。该模型在Dolma 3数据集上进行预训练，在Dolci数据集上进行后训练，并通过强化学习优化数学、编码和推理能力。

自然语言处理TransformersEnglish

这是NVIDIA基于Qwen3架构开发的32B参数奖励模型，专门用于强化学习中的奖励评分和原则对齐，帮助训练更安全、更符合人类价值观的AI系统。

自然语言处理Gguf

这是一个专为圣西蒙大学科学与技术学院学生设计的微调AI模型，集成在TecnoTime应用程序中，帮助学生保持学习组织性、提高学术连续性，通过结构化通知和激励信息强化学习习惯。

自然语言处理SafetensorsMultiple Languages

本模型是基于Meta的Llama-3.1架构微调的文本生成模型，使用TRL库和GRPO（Group Relative Policy Optimization）方法进行强化学习训练，专门针对论证生成任务进行了优化。

自然语言处理Transformers

Emu3.5是北京智源人工智能研究院开发的原生多模态模型，能够跨视觉和语言联合预测下一状态，实现连贯的世界建模和生成。通过端到端预训练和大规模强化学习后训练，在多模态任务中展现出卓越性能。

多模态Transformers

Kimi Linear是一种混合线性注意力架构，在各种场景下包括短、长上下文以及强化学习扩展机制中，均优于传统的全注意力方法。它能有效解决传统注意力机制在长上下文任务中效率低下的问题，为自然语言处理等领域带来更高效的解决方案。

自然语言处理Transformers

Kimi Linear是一种高效混合线性注意力架构，在短上下文、长上下文和强化学习场景中均优于传统全注意力方法。它通过Kimi Delta Attention (KDA)机制优化注意力计算，显著提升性能和硬件效率，特别擅长处理长达100万令牌的长上下文任务。

自然语言处理Transformers

PokeeResearch-7B是由Pokee AI开发的70亿参数深度研究代理模型，结合了AI反馈强化学习（RLAIF）和强大的推理框架，能够在工具增强的大语言模型中实现可靠、对齐和可扩展的研究级推理，适用于复杂的多步骤研究工作流程。

自然语言处理TransformersEnglish

这是PRIME-RL/P1-30B-A3B模型的静态量化版本，是一个300亿参数的大语言模型，专门针对物理、强化学习、竞赛推理等领域优化，支持英语和多语言处理。

自然语言处理TransformersMultiple Languages