Англоязычная 7,1-миллиардная модель на базе Qwen2.5-7B для исследовательских задач reinforcement learning и оценки языкового рассуждения.

Подходит для: исследование дообучения языковых моделей с reinforcement learning · оценка точности моделей на задачах рассуждения · эксперименты с наборами данных SimpleRL-Zoo-Data и DeepScaleR