Reelva 12B — двуязычная модель-компаньон для естественного общения, рассуждений и многошаговых агентных задач.

Подходит для: общение с персональным ИИ-компаньоном · создание разговорного помощника на индонезийском и английском языках · планирование и разбор многошаговых задач

Небольшая англоязычная авторегрессионная модель EleutherAI для исследований генерации текста и поведения языковых моделей.

Подходит для: эксперименты с предсказанием следующего токена на английском языке · исследование поведения языковых моделей на разных этапах обучения · анализ интерпретируемости компактной трансформерной модели

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

Производная модели CollectionStudio/Trinity-Large-TrueBase. Базовая разреженная MoE-модель Arcee AI для исследований предобучения, анализа поведения и последующего дообучения.

Подходит для: исследование поведения модели после масштабного предобучения · анализ маршрутизации экспертов и балансировки нагрузки в MoE · пробинг и интерпретируемость языковой модели

HER-RL — дообученная на Qwen3-32B модель для многошагового ролевого диалога и симуляции персонажей с внутренними мыслями и планированием.

Подходит для: ролевая переписка от лица персонажа · симуляция персонажа в интерактивной истории · создание диалогов с последовательным образом персонажа

Англоязычная модель Ai2 на 6,9 млрд параметров, дообученная методом RLVR для генерации решений математических задач и исследования обучения с проверяемыми наградами.

Подходит для: генерация решений математических задач · пошаговое рассуждение при решении задач · эксперименты с обучением RLVR на математических запросах

Экспериментальная языковая модель Arcee.ai с гибридным вниманием KDA и NoPE для исследований эффективности внимания и математических рассуждений.

Подходит для: исследование гибридных архитектур внимания · сравнение линейного и полного внимания · оценка памяти и KV-кэша при обработке контекста

Базовая разреженная MoE-модель Arcee AI для генерации текста, исследований предобучения и последующего дообучения.

Подходит для: исследование поведения языковой модели после масштабного предобучения · изучение маршрутизации и балансировки экспертов MoE · зондирование и интерпретируемость языковой модели

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

Обрезанная методом REAP мультимодальная модель Qwen для диалогов, агентного программирования, вызова инструментов и анализа изображений.

Подходит для: агентное решение задач программирования с вызовом инструментов · генерация и редактирование кода · диалоговый помощник с поддержкой изображений

Экспериментальная англоязычная модель Ai2 на 6,9 млрд параметров, дообученная RLVR для генерации текста и задач по математике, коду и следованию инструкциям.

Подходит для: эксперименты с обучением RLVR на языковых моделях · генерация ответов на математические задачи · генерация и анализ программного кода

Мультимодальная модель Alibaba DAMO Academy для планирования роботизированных действий по изображениям сцены и текстовой цели.

Подходит для: планирование последовательности действий робота по заданной цели и изображению сцены · разбиение многошаговой задачи манипуляции на подзадачи · привязка объектов и целевых областей к физическому пространству

Reward-модель Llama 3.1 оценивает полезность текстовых ответов для ранжирования и экспериментов RLHF.

Подходит для: оценка полезности ответа языковой модели · сравнение двух вариантов ответа для RLHF · ранжирование ответов по предпочтению пользователя

Компактная базовая языковая модель на 49,3 млн параметров для исследований, бенчмаркинга и продолжения предобучения.

Подходит для: эксперименты с компактными причинно-языковыми моделями · продолжение предобучения на собственном корпусе · бенчмаркинг малых языковых моделей

Reward-модель на базе Llama 3.1 8B для оценки безвредности текстовых ответов в сценариях RLHF.

Подходит для: оценка безвредности ответов чат-бота · сравнение кандидатов ответа по безопасности · ранжирование ответов для отбора в RLHF

Компактная англоязычная reward-модель на 1,7 млрд параметров для оценки и ранжирования ответов в чатах и обучения с проверяемыми наградами.

Подходит для: оценка качества ответов чат-модели · ранжирование вариантов ответа по предпочтительности · инициализация функции ценности для RLVR

Velara-11b — англоязычная модель на базе Starling и Mistral для диалогов с заданным персонажем и сохранением контекста беседы.

Подходит для: ролевые диалоги с заданным характером ассистента · текстовое общение с виртуальным персонажем · ведение беседы с учётом предыдущих реплик

Экспериментальная дообученная модель Arcee AI на базе Qwen2.5-3B для диалоговой генерации текста и задач рассуждения.

Подходит для: эксперименты с решением задач на рассуждение · генерация ответов в диалоге ChatML · оценка языковой модели на наборах IFEval и BBH

Экспериментальная слитая Gemma 4 12B для многоязычных диалогов, рассуждений, программирования и агентных сценариев.

Подходит для: многоязычные диалоги на индонезийском и английском · общение на марокканском дариджа и арабском · планирование и решение многошаговых задач

Модель NVIDIA на базе Qwen3-8B сравнивает ответы языковых моделей и оценивает их качество для RLHF и тестирования.

Подходит для: сравнение двух ответов LLM на один запрос · ранжирование ответов по качеству · оценка генераций в конвейере RLHF

Базовая модель Arcee AI на 6 млрд параметров с архитектурой MoE, предназначенная для дальнейшего дообучения под специализированные задачи генерации текста.

Подходит для: дообучение языковой модели под внутренние документы компании · адаптация модели для специализированного текстового ассистента · создание предметной модели генерации текста

Англоязычная reward-модель на базе Llama оценивает ответы помощника для обучения с подкреплением на основе предпочтений и PPO.

Подходит для: оценка качества ответов языкового помощника · обучение reward-модели на данных предпочтений · использование в PPO для дообучения чат-модели

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