OpenMMReasoner是一個完全透明的兩階段多模態推理方案，採用監督微調（SFT）和強化學習（RL）訓練。在SFT階段構建了874K樣本的冷啟動數據集，RL階段利用74K樣本進一步提升能力，在多模態推理基準測試中表現出色。

多模態Transformers

OpenMMReasoner是一個完全透明的兩階段多模態推理方案，涵蓋有監督微調（SFT）和強化學習（RL）。該方案通過精心構建高質量數據集，在多個多模態推理基準測試中超越了強大的基線模型，為未來大規模多模態推理研究奠定了堅實的實證基礎。

多模態Transformers

Olmo 3 7B RL-Zero Math是Allen AI開發的專為數學推理任務優化的70億參數語言模型，採用RL-Zero強化學習方法在數學數據集上進行訓練，能有效提升數學推理能力。

自然語言處理Transformers英語

Olmo 3 7B RL-Zero Mix是Allen AI開發的7B參數規模的語言模型，屬於Olmo 3系列。該模型在Dolma 3數據集上進行預訓練，在Dolci數據集上進行後訓練，並通過強化學習優化數學、編碼和推理能力。

自然語言處理Transformers英語

PokeeResearch-7B是由Pokee AI開發的70億參數深度研究代理模型，結合了AI反饋強化學習（RLAIF）和強大的推理框架，能夠在工具增強的大語言模型中實現可靠、對齊和可擴展的研究級推理，適用於複雜的多步驟研究工作流程。

自然語言處理Transformers英語

PokeeResearch-7B是由Pokee AI開發的70億參數深度研究智能體，結合基於AI反饋的強化學習(RLAIF)與推理框架，能夠執行復雜的多步驟研究工作流程，包括自我修正、驗證和綜合分析。

自然語言處理Transformers英語

Apriel-1.5-15B-Thinker是一個專為圖像理解與推理設計的150億參數多模態模型，採用中期訓練方法而非RLHF訓練。本版本為適用於蘋果芯片的MLX量化版本，具有內存佔用小、啟動速度快的特點。

多模態Mlx英語

Frugal-Math-4B是一款針對數學推理優化的4B參數語言模型，通過強化學習驗證獎勵（RLVR）方法訓練，能夠在保持高準確性的同時生成簡潔、可驗證的數學解決方案，顯著減少推理冗長性。

自然語言處理Transformers多語言

本模型基於GPT-OSS-20B，藉助Unsloth強化學習框架進行微調，旨在優化推理效率，同時減少在從人類反饋中進行強化學習（RLHF）式訓練期間出現的漏洞。微調過程著重於對齊的魯棒性和效率，確保模型在不產生過多計算開銷的情況下保持推理深度。

自然語言處理Transformers英語

基於microsoft/phi-4（14B）基礎模型的三階段訓練GRPO推理測試模型，通過SFT→RLHF→SFT流程微調，具備優秀的多步推理能力

自然語言處理Transformers多語言

MiMo是小米專為推理任務從頭開始訓練的大語言模型系列，通過優化預訓練和後訓練策略，在數學和代碼推理任務上展現出卓越性能。項目開源了7B參數規模的多個版本，包括基礎模型、SFT模型和RL模型。

自然語言處理Transformers

基於Qwen3-1.7B微調的版本，通過1-shot強化學習與可驗證獎勵（RLVR）方法增強了數學推理能力，在數學基準測試和編碼任務中表現出色。

自然語言處理Safetensors

ReasonGen-R1是一個融合思維鏈推理的自迴歸圖像生成模型，通過SFT和RL提升圖像生成的邏輯性和質量。

多模態Transformers

單體模型（Monomer）是一系列推理語言模型（RLMs）的集合，專注於中英文場景下的規劃、設計和寫作任務，提供清晰的分步推理軌跡。

自然語言處理Transformers多語言

OLMo 2 1B指令版是基於OLMo-2-0425-1B-RLVR1模型的後訓練變體，經過監督微調、DPO訓練和RLVR訓練，旨在實現多種任務的最先進性能。

自然語言處理Gguf英語

MiMo-7B 是小米推出的專為推理任務設計的語言模型系列，包括基礎模型、SFT模型和RL模型，在數學和代碼推理任務上表現優異。

自然語言處理Transformers

OLMo 2 1B RLVR 1 April 2025是基於allenai/OLMo-2-0425-1B-DPO模型的後訓練變體，在多種特定數據集上進行了微調訓練。該模型在數學推理、代碼生成、指令跟隨等多個任務中展現出了較好的性能，是一個專為研究和教育目的設計的1B參數規模的大語言模型。

自然語言處理Transformers英語

OLMo 2 1B是基於allenai/OLMo-2-0425-1B-RLVR1模型的後訓練變體，經過監督微調、DPO訓練和RLVR訓練，旨在實現多種任務的最先進性能。

自然語言處理Transformers英語

Qwen-2.5-7B-base-RAG-RL 是一個基於未知數據集從頭開始訓練的7B參數規模的大語言模型，結合了檢索增強生成(RAG)和強化學習(RL)技術。

自然語言處理Transformers

基於Qwen/Qwen2.5-1.5B-Instruct模型進行微調，使用了TinyV獎勵系統，能在高效強化學習（RL）後訓練中提供更準確的獎勵信號，顯著提升RL效率和最終模型性能。

自然語言處理Transformers