CLM-v0.1-8B — контрастивная модель на базе Qwen3-8B для ранжирования кандидатов и оценки вариантов действий в агентных сценариях.

Подходит для: ранжирование вариантов решения задачи программирования · выбор подходящего инструмента для агента · оценка возможных следующих действий агента

Процессная reward-модель на базе Qwen2.5 для оценки шагов математических рассуждений и выявления ошибок в решениях.

Подходит для: оценка правильности промежуточных шагов математического решения · поиск ошибочного шага в цепочке рассуждений · ранжирование нескольких математических решений по качеству рассуждений

LangFlow — модель непрерывной диффузии с архитектурой DiT для генерации текста на основе эмбеддингов токенов.

Подходит для: генерация текстовых образцов из OpenWebText-подобных данных · эксперименты с диффузионной генерацией языка · сравнение непрерывной и дискретной диффузии в языковом моделировании

Модель вознаграждения на базе Llama 3.1 оценивает предпочтительность ответов и помогает ранжировать результаты языковых моделей.

Подходит для: оценка качества ответов чат-бота · выбор лучшего ответа из нескольких вариантов · ранжирование ответов языковой модели

Reward-модель на 72 млрд параметров оценивает математические рассуждения и помогает отбирать ответы или формировать сигналы вознаграждения при обучении.

Подходит для: оценка качества математических решений и промежуточных шагов · отбор обучающих примеров с помощью reward-оценок и rejection sampling · формирование сигнала вознаграждения для обучения с подкреплением

Компактная модель Skywork для оценки и ранжирования ответов языковых моделей по предпочтениям.

Подходит для: сравнение качества двух ответов чат-бота · ранжирование вариантов ответа по предпочтительности · оценка ответов при разработке языковой модели

Компактная модель на базе Qwen3.5-4B оценивает вероятности заданных вариантов ответа для сценариев принятия решений.

Подходит для: оценка вероятности ответа «да» или «нет» по описанию состояния · выбор наиболее подходящего варианта из заданного списка · выставление оценки по многоуровневой шкале

Наградная модель InternLM2 на 1,7 млрд параметров для оценки, сравнения и ранжирования ответов диалоговых моделей по предпочтительности.

Подходит для: оценка предпочтительности ответа чат-бота · сравнение двух вариантов ответа языковой модели · ранжирование нескольких ответов для выбора лучшего

LangFlow — англоязычная диффузионная языковая модель примерно на 130 млн параметров для генерации короткого текста.

Подходит для: генерация коротких фрагментов английского текста · эксперименты с непрерывной диффузией для языкового моделирования · сравнение диффузионной генерации с дискретными языковыми моделями

RM-R1 — модель-судья, которая сравнивает два ответа, формирует критерии оценки и выдаёт обоснованное предпочтение для автоматической оценки и RLHF/RLAIF.

Подходит для: сравнение двух ответов чат-бота по качеству · оценка ответов на открытые вопросы · выбор предпочтительного ответа для RLHF

Открытая языковая модель MiniMax AI для сложных рассуждений, программирования, длинного контекста и агентной работы с инструментами.

Подходит для: решение олимпиадных математических задач · генерация и анализ программного кода · помощь в сложной программной инженерии

Компактная дообученная Qwen2.5 модель для локальных экспериментов по выбору действий и генерации текста в игровых и пространственных задачах.

Подходит для: выбор допустимого хода в Connect4 · оценка шахматных действий из заданного списка · выбор направления в Sokoban и 2048

Reward-модель Skywork на базе Llama 3.1 оценивает ответы диалоговых моделей, чтобы сравнивать и ранжировать их по предпочтительности.

Подходит для: оценка качества ответов чат-бота · сравнение двух ответов языковой модели · ранжирование сгенерированных ответов

Reward-модель на основе Qwen2.5-1.5B-Instruct оценивает ответы ассистента по предпочтительности для ранжирования и использования в RLHF.

Подходит для: сравнение двух ответов ассистента по предпочтительности · ранжирование ответов языковой модели · оценка качества ответов для контура RLHF

Процессно-супервизируемая модель вознаграждения на базе Llama 3.1 8B для оценки шагов рассуждения и отбора решений.

Подходит для: оценка промежуточных шагов математического решения · отбор лучших ответов из множества сгенерированных вариантов · оценка решений задач GSM8K и MATH

Экспериментальная reward-модель на базе Llama 3.1 для оценки и сравнения ответов языковых моделей.

Подходит для: оценка качества ответов чат-модели · сравнение двух вариантов ответа по предпочтительности · ранжирование ответов языковой модели

Дообученная модель для быстрого выбора и ранжирования вариантов по структурированным данным и составным правилам.

Подходит для: выбор подходящего варианта по нескольким последовательным условиям · исключение кандидатов по правилам допуска · ранжирование вариантов после фильтрации

Мультимодальная reward-модель для проверки выполнения задач агентами, управляющими компьютером, по инструкциям, снимкам экрана и журналам действий.

Подходит для: проверка, выполнил ли компьютерный агент пользовательскую задачу · оценка траекторий действий агента по снимкам экрана · выявление ошибочных заявлений агента об успешном выполнении

Компактная дообученная модель вознаграждения на базе Qwen3-1.7B для оценки и сравнения качества текстовых ответов.

Подходит для: оценка качества ответов чат-бота · сравнение двух ответов и выбор предпочтительного · ранжирование ответов языковой модели

Крупная языковая модель NVIDIA, дообученная для решения задач соревновательного программирования, генерации кода и алгоритмических рассуждений.

Подходит для: решение задач по соревновательному программированию · генерация алгоритмов и программного кода · подготовка решений сложных задач с рассуждениями

Производная модели Contrastive-LM/CLM-v0.1-8B. CLM-v0.1-8B — контрастивная модель на базе Qwen3-8B для ранжирования кандидатов и оценки вариантов действий в агентных сценариях.

Подходит для: ранжирование вариантов решения задачи программирования · выбор подходящего инструмента для агента · оценка возможных следующих действий агента

PairRM сравнивает варианты ответов на инструкцию и ранжирует их для выбора предпочтительного ответа, оценки LLM или RLHF.

Подходит для: ранжирование ответов LLM по пользовательской инструкции · выбор лучшего ответа из нескольких сгенерированных вариантов · попарная оценка качества ответов чат-ботов

Производная модели Contrastive-LM/CLM-v0.1-8B. CLM-v0.1-8B — контрастивная модель на базе Qwen3-8B для ранжирования кандидатов и оценки вариантов действий в агентных сценариях.

Подходит для: ранжирование вариантов решения задачи программирования · выбор подходящего инструмента для агента · оценка возможных следующих действий агента

Плотная модель классификации решений, выдающая калиброванные вероятностные оценки для выбора между вариантами, оценки величин и проверки гипотез.

Подходит для: классификация между несколькими вариантами с вероятностями · бинарная проверка гипотез с оценкой неопределённости · оценка ожидаемой величины по числовой или порядковой шкале