本模型是基於Meta的Llama-3.1架構微調的文本生成模型，使用TRL庫和GRPO（Group Relative Policy Optimization）方法進行強化學習訓練，專門針對論證生成任務進行了優化。

自然語言處理Transformers

Qwen-1.5B_THIP是基於DeepSeek-R1-Distill-Qwen-1.5B在DeepMath-103k數學數據集上使用TRL框架進行GRPO方法微調的數學推理模型。該模型專門針對數學問題解決進行了優化，具備較強的數學推理能力。

自然語言處理Transformers

GTA1是基於GRPO強化學習訓練的GUI接地模型，專門用於圖形用戶界面自動化操作。相較於依賴冗長思維鏈推理的方法，GRPO直接激勵可操作和有根據的響應，在多個基準測試中表現出卓越的接地性能。

多模態Transformers英語

基於Arcee的AFM-4.5B的輕量級醫療微調模型，採用三階段訓練方法（SFT→DPO→GRPO-CoT）進行優化，專門用於醫療教育和研究場景。

自然語言處理Transformers多語言

GTA1是基於強化學習（GRPO）訓練的最先進GUI接地模型，專門用於圖形用戶界面自動化任務。與依賴冗長思維鏈推理的方法不同，GRPO直接激勵可操作和有根據的響應，在多個挑戰性數據集上展示了卓越的接地性能和代理性能。

多模態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

MedGemma-GRPO是MEDGemma模型的微調版本，專為臨床病例推理任務設計。該模型結合監督微調（SFT）和組相對策略優化（GRPO），旨在引導模型遵循邏輯診斷路徑，在合成醫療案例數據集上訓練，特別適用於複雜心血管、血栓和自身免疫性疾病的診斷推理。

自然語言處理Transformers英語

這是一個專門針對印尼法律領域優化的語言模型，基於DeepSeek-R1-0528-Qwen3-8B使用GRPO方法在印尼法律問答數據集上微調而成，專注於提升法律推理和結構化思維能力。

自然語言處理Transformers

該模型是基於DeepSeek-R1-0528-Qwen3-8B的微調版本，使用TRL和GRPO方法進行訓練，專注於數學推理能力的提升。

自然語言處理Transformers多語言

Magistral-Small-2506-Vision 是一個基於 Mistral Small 3.1 進行 GRPO 訓練的推理微調版本，具備視覺能力的實驗性檢查點。

多模態Safetensors多語言

GTA1是基於強化學習（GRPO）訓練的最先進GUI定位模型，通過直接激勵可操作響應而非冗長推理，實現精準界面元素定位。

多模態Transformers

這是一個基於Qwen-14B模型微調的版本，使用GRPO方法進行訓練，適用於文本生成任務。

自然語言處理Transformers

GTA1是一個基於強化學習（GRPO）的GUI定位模型，通過直接獎勵成功點擊來實現精準定位，避免冗長的思維鏈推理。

多模態Transformers

J-1是基於Gemma 3 4-B模型，使用GRPO方法在意大利語數學和推理問題上進行訓練的推理模型。在Invalsi ITA測試數據集上，性能從基礎模型的57%提升到了79%，顯著提升了意大利語推理能力。

自然語言處理Transformers其他

INTELLECT 2是由PrimeIntellect推出的大語言模型，支持40960 tokens的上下文長度，採用QwQ架構和GRPO強化學習框架訓練。

自然語言處理Gguf

E1-Math-1.5B是基於DeepSeek-R1-Distilled-Qwen-1.5B微調的語言模型，支持彈性推理和GRPO方法，適用於預算受限的推演場景。

自然語言處理Transformers

本模型是基於Qwen/Qwen3-4B在medmcqa-grpo數據集上使用GRPO方法微調得到的醫療問答大語言模型。它專門針對醫學選擇題場景進行優化，具備較強的醫學推理能力。

自然語言處理Transformers

基於Qwen2.5-7B-Instruct微調的越南語檢索增強生成(RAG)專用大模型，採用GRPO優化方法訓練

自然語言處理Transformers其他

XiYanSQL-QwenCoder-3B-2504是XGenerationLab發佈的最新SQL生成模型，通過微調和GRPO訓練優化，支持多種方言，具有高效準確的SQL生成能力。

自然語言處理Safetensors多語言

析言SQL-QwenCoder-2504是最新的SQL生成模型，結合微調與GRPO訓練，在SQL生成上兼具效率與準確性，支持多方言，開箱即用，在不同方言和域外數據集上表現出色。

自然語言處理Safetensors多語言