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

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

Beaver-7B-v3.0 是一个基于 LLaMA 架构的 7B 参数大语言模型，专注于安全性和人类反馈强化学习（RLHF）。

自然语言处理Gguf英语

Captain-Eris_Violet是一个通过多阶段监督微调、QLoRA适配器和GRPO优化的RLHF开发的先进语言模型，适用于角色扮演和对话生成。

自然语言处理Transformers英语

基于Gemma-2-27B微调的决策树奖励模型，用于评估语言模型生成内容的质量，在RewardBench排行榜上表现优异。

自然语言处理Transformers英语

基于Llama 3.1微调的多语言文本摘要模型，支持英语、西班牙语和中文，采用优化的Transformer架构并通过RLHF技术优化输出。

自然语言处理Transformers

基于Gemma-2-9B架构的奖励模型，采用RLHF工作流训练，适用于对话和推理任务。

自然语言处理Transformers

SimPO是一种无需参考奖励模型的偏好优化方法，简化了传统RLHF流程，直接通过偏好数据优化语言模型。

自然语言处理Transformers

基于LLaMA-3-8B的监督微调模型，由Salesforce开发，用于强化学习人类反馈（RLHF）工作流程中的监督微调阶段。

自然语言处理Transformers

基于Meta-Llama-3-8B-Instruct训练的奖励模型，用于RLHF流程中的奖励建模，支持PPO、迭代SFT和迭代DPO方法。

自然语言处理Transformers

基于Mistral-7B训练的奖励模型，用于强化学习人类反馈(RLHF)场景中的响应质量评估

自然语言处理Transformers

基于NorGPT-3B模型，采用RLHF策略在挪威语新闻摘要数据集上微调的文本摘要模型

自然语言处理Transformers其他

Prometheus 2是基于Mistral-Instruct的语言模型，专注于细粒度评估和人类反馈强化学习(RLHF)的奖励模型，可作为GPT-4评估的替代方案。

自然语言处理Transformers英语

紫罗兰系列语言模型专为遵循指令和维持俄语对话而训练，第四代通过RLHF优化，具有更强的响应能力和更丰富的信息量。

自然语言处理Transformers其他

基于Anthropic/hh-rlhf帮助性数据集训练的GPT2大模型，专用于帮助性响应检测或RLHF（基于人类反馈的强化学习）。

自然语言处理Transformers

基于Anthropic/hh - rlhf无害数据集训练的GPT2大模型，专门用于有害响应检测或基于人类反馈的强化学习（RLHF）。

自然语言处理Transformers

这是一个7B参数规模的无害生成模型，用于研究RLHF（基于人类反馈的强化学习）中毒攻击的基准测试。

自然语言处理Transformers英语

PairRM是一个高效的成对奖励模型，用于比较和排序大语言模型的输出候选，支持多种应用场景如RLHF和最佳N采样。

自然语言处理Transformers英语

基于LMFlow框架训练的奖励模型，针对HH - RLHF数据集（仅有用部分），以open_llama_3b为基础模型进行训练，具有良好的泛化能力。

自然语言处理Transformers