Модель вознаграждений на базе InternLM2.5-7B оценивает ответы языковых моделей относительно эталонной траектории для ранжирования и настройки с подкреплением.

Подходит для: оценка ответа LLM относительно эталонного ответа · ранжирование траекторий языковой модели для RFT · отбор предпочтительных ответов перед дообучением

Обученный DQN-агент для игры в Atari-окружении SpaceInvadersNoFrameskip-v4.

Подходит для: Игра в Space Invaders в среде SpaceInvadersNoFrameskip-v4 · Эксперименты с DQN в Stable-Baselines3 · Запуск предварительно обученного агента через RL Zoo

Производная модели google/gemma-3-12b-it. Мультимодальная модель Google на 12 млрд параметров для диалогов, генерации текста и понимания изображений по текстовым инструкциям.

Подходит для: ответы на вопросы по изображению · извлечение и краткое изложение сведений с изображения · диалоговый помощник с текстовыми и визуальными запросами