Экспериментальная LoRA-адаптация Qwen3-0.6B, предназначенная для демонстрации извлечения адреса электронной почты автора из весов при генерации текста.

Подходит для: проверка возможности извлечь адрес электронной почты из весов модели · демонстрация запоминания персональных данных после LoRA-дообучения · эксперименты с генерацией текста в диалоге на компактной Qwen3

Kev-27B оценивает заданные варианты ответа на вопросы по документу и выдаёт вероятности для классификации, маршрутизации и триажа.

Подходит для: классификация документов по заданным категориям · маршрутизация обращений по командам или очередям · триаж документов с передачей неуверенных случаев человеку

Экспериментальный учитель на базе Qwen2.5-1.5B-Instruct для дистилляции в среде Integral, обученный GRPO.

Подходит для: создание учительских ответов для on-policy дистилляции · эксперименты с обучением GRPO в среде Integral · генерация текста для задач на интегралы с уровнем сложности 0

Экспериментальная дообученная Qwen2.5-1.5B-Instruct, используемая как учитель для on-policy-дистилляции в среде GridComponent.

Подходит для: генерация ответов для экспериментов в среде GridComponent · получение учительских ответов для on-policy-дистилляции · исследование обучения языковой модели с GRPO

Экспериментальная модель-учитель на базе Qwen2.5-1.5B-Instruct для задач сортировки и исследований on-policy дистилляции.

Подходит для: исследование обучения моделей решению задач сортировки · использование модели-учителя в on-policy дистилляции · эксперименты с GRPO в среде Sorting

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный для генерации ответов в среде дискретного логарифмирования и экспериментов по on-policy-дистилляции.

Подходит для: генерация ответов для задач дискретного логарифмирования сложности 0 · оценка поведения языковой модели в среде DiscreteLogarithm · использование как учительской модели в эксперименте on-policy-дистилляции

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, обученный GRPO для задач исключения Гаусса и использования в on-policy-дистилляции.

Подходит для: генерация решений задач на исключение Гаусса · получение ответов для экспериментов с on-policy-дистилляцией · сравнение поведения учительской модели после обучения GRPO

Экспериментально дообученная Qwen2.5-1.5B для генерации диалогового текста и экспериментов on-policy-дистилляции в среде KloBlocks.

Подходит для: генерация ответов в диалоговом интерфейсе · эксперименты с обучением языковых моделей методом GRPO · on-policy-дистилляция в 32 параллельных средах

Экспериментально дообученная на MaximumWeightMatching модель Qwen2.5-1.5B-Instruct для генерации текста и on-policy-дистилляции.

Подходит для: эксперименты по on-policy-дистилляции языковых моделей · генерация ответов в среде MaximumWeightMatching · сравнение обучения GRPO на задачах сопоставления с максимальным весом

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, обученный GRPO для роли учителя в on-policy дистилляции в среде Cornfield.

Подходит для: генерация ответов в эксперименте по дистилляции политики · использование в качестве модели-учителя в 32-средовом on-policy эксперименте · диалоговая генерация текста на английском языке

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный методом GRPO в среде EmperorWorries для экспериментов по on-policy-дистилляции.

Подходит для: эксперименты с on-policy-дистилляцией языковых моделей · генерация ответов в среде EmperorWorries · исследование обучения языковых моделей методом GRPO

Экспериментальная дообученная модель Qwen2.5-1.5B служит учителем для on-policy-дистилляции в среде Circuit и генерирует текст.

Подходит для: генерация ответов в экспериментальной среде Circuit · использование модели-учителя в on-policy-дистилляции · исследование GRPO для интерактивных задач

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, обученный GRPO для экспериментов по on-policy дистилляции в среде CampsitePuzzle.

Подходит для: исследование on-policy дистилляции языковых моделей · использование модели-учителя в эксперименте CampsitePuzzle · воспроизведение обучения GRPO на головоломках CampsitePuzzle

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный методом GRPO в среде CapitalCityEffect для исследования on-policy-дистилляции.

Подходит для: Генерация текста в экспериментах с CapitalCityEffect · Исследование поведения учителя для on-policy-дистилляции · Диалоговая генерация на английском языке

Экспериментальная версия Qwen2.5-1.5B-Instruct, дообученная GRPO на CatalanNumberMod для экспериментов с on-policy-дистилляцией.

Подходит для: исследование on-policy-дистилляции языковых моделей · воспроизведение эксперимента GRPO на CatalanNumberMod · генерация ответов в диалоговом формате для экспериментов

Экспериментально дообученная Qwen2.5-1.5B-Instruct для генерации диалогов и использования в исследованиях on-policy дистилляции.

Подходит для: эксперименты с on-policy дистилляцией языковой модели · генерация диалогов на английском языке · тестирование GRPO в среде GoldWashing

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный методом GRPO для обучения и дистилляции на головоломке JugPuzzle.

Подходит для: генерация решений для головоломки JugPuzzle · исследование обучения языковых моделей с GRPO · эксперименты по on-policy дистилляции языковых моделей

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный GRPO для on-policy дистилляции в среде Cinema.

Подходит для: эксперименты по on-policy дистилляции языковых моделей · генерация ответов в среде Cinema · оценка поведения модели в симуляции Cinema

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный GRPO для роли учителя в исследовании on-policy дистилляции.

Подходит для: генерация ответов в экспериментах on-policy дистилляции · получение учительских ответов в среде Differentiate · сравнение поведения чекпойнтов при обучении GRPO

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, обученный с GRPO для on-policy-дистилляции в среде LinkBeads.

Подходит для: эксперименты по on-policy-дистилляции языковых моделей · изучение поведения агента в среде LinkBeads · воспроизведение обучения GRPO на уровне сложности 0

Экспериментальная версия Qwen2.5-1.5B-Instruct, дообученная для решения задачи LargestConvexPolygon и использования в эксперименте on-policy дистилляции.

Подходит для: генерация ответов для среды LargestConvexPolygon · создание учительских ответов для эксперимента on-policy дистилляции · изучение дообучения языковых моделей методом GRPO

Экспериментально дообученная модель Qwen2.5-1.5B для генерации ответов в среде CantorExpansion и on-policy дистилляции.

Подходит для: генерация ответов в экспериментах со средой CantorExpansion · оценка учительской модели для on-policy дистилляции · эксперименты с GRPO на языковой модели

Экспериментальный чекпойнт Qwen2.5-1.5B-Instruct, дообученный GRPO на задаче HalvingChainCounting для экспериментов по on-policy дистилляции.

Подходит для: эксперименты по on-policy дистилляции языковых моделей · генерация ответов в задаче цепочного счёта с делением · изучение влияния GRPO на поведение модели в среде HalvingChainCounting

Экспериментальный учитель Qwen2.5-1.5B-Instruct, дообученный GRPO для задач среды DeltaMinPopcount и исследований on-policy дистилляции.

Подходит для: эксперименты с on-policy дистилляцией языковых моделей · генерация ответов в среде DeltaMinPopcount · изучение влияния GRPO на поведение инструктивной модели