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Transformers支持多种语言

OpenThinker-Agent-v1-SFT 是基于 Qwen/Qwen3-8B 进行有监督微调（SFT）得到的智能体模型。它是 OpenThinker-Agent-v1 完整训练流程（SFT + RL）的第一阶段模型，专门针对智能体任务（如终端操作和代码修复）进行优化。

自然语言处理Transformers其他

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 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Transformers英语

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Transformers英语

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Transformers英语

PokeeResearch-7B是由Pokee AI开发的70亿参数深度研究智能体，结合基于AI反馈的强化学习(RLAIF)与推理框架，能够执行复杂的多步骤研究工作流程，包括自我修正、验证和综合分析。

自然语言处理Transformers英语

Apriel-1.5-15B-Thinker是一个专为图像理解与推理设计的150亿参数多模态模型，采用中期训练方法而非RLHF训练。本版本为适用于苹果芯片的MLX量化版本，具有内存占用小、启动速度快的特点。

多模态Mlx英语

Frugal-Math-4B是一款针对数学推理优化的4B参数语言模型，通过强化学习验证奖励（RLVR）方法训练，能够在保持高准确性的同时生成简洁、可验证的数学解决方案，显著减少推理冗长性。

自然语言处理Transformers支持多种语言

本模型基于GPT-OSS-20B，借助Unsloth强化学习框架进行微调，旨在优化推理效率，同时减少在从人类反馈中进行强化学习（RLHF）式训练期间出现的漏洞。微调过程着重于对齐的鲁棒性和效率，确保模型在不产生过多计算开销的情况下保持推理深度。

自然语言处理Transformers英语

基于microsoft/phi-4（14B）基础模型的三阶段训练GRPO推理测试模型，通过SFT→RLHF→SFT流程微调，具备优秀的多步推理能力

自然语言处理Transformers支持多种语言

MiMo是小米专为推理任务从头开始训练的大语言模型系列，通过优化预训练和后训练策略，在数学和代码推理任务上展现出卓越性能。项目开源了7B参数规模的多个版本，包括基础模型、SFT模型和RL模型。

自然语言处理Transformers

基于Qwen3-1.7B微调的版本，通过1-shot强化学习与可验证奖励（RLVR）方法增强了数学推理能力，在数学基准测试和编码任务中表现出色。

自然语言处理Safetensors

ReasonGen-R1是一个融合思维链推理的自回归图像生成模型，通过SFT和RL提升图像生成的逻辑性和质量。

多模态Transformers

单体模型（Monomer）是一系列推理语言模型（RLMs）的集合，专注于中英文场景下的规划、设计和写作任务，提供清晰的分步推理轨迹。

自然语言处理Transformers支持多种语言

OLMo 2 1B指令版是基于OLMo-2-0425-1B-RLVR1模型的后训练变体，经过监督微调、DPO训练和RLVR训练，旨在实现多种任务的最先进性能。

自然语言处理Gguf英语

MiMo-7B 是小米推出的专为推理任务设计的语言模型系列，包括基础模型、SFT模型和RL模型，在数学和代码推理任务上表现优异。

自然语言处理Transformers

OLMo 2 1B RLVR 1 April 2025是基于allenai/OLMo-2-0425-1B-DPO模型的后训练变体，在多种特定数据集上进行了微调训练。该模型在数学推理、代码生成、指令跟随等多个任务中展现出了较好的性能，是一个专为研究和教育目的设计的1B参数规模的大语言模型。

自然语言处理Transformers英语

OLMo 2 1B是基于allenai/OLMo-2-0425-1B-RLVR1模型的后训练变体，经过监督微调、DPO训练和RLVR训练，旨在实现多种任务的最先进性能。

自然语言处理Transformers英语