Thinkless是一个通过强化学习训练的大语言模型，能够自适应选择简答或长链推理模式，显著降低推理计算成本。

Seed-Coder是一个8B规模的开源代码模型家族，包含基础版、指导版和推理版。

专注于增强推理能力的320亿参数稠密语言模型，基于Qwen 2.5‑32B‑Base构建，在推理基准测试中展现出与更大规模MoE模型相媲美的性能。

小米推出的7B参数规模推理专用语言模型系列，通过优化预训练和后训练策略显著提升数学与代码推理能力

MiMo-7B-RL是基于MiMo-7B-SFT模型训练的强化学习模型，在数学与代码推理任务上达到与OpenAI o1-mini比肩的性能。

VL-Reasoner-7B 是一个基于 GRPO-SSR 技术训练的多模态推理模型，在多项多模态推理基准测试中表现卓越。

TimeZero是一种基于推理引导的大规模视觉语言模型（LVLM），专为时间视频定位（TVG）任务设计，通过强化学习方法实现动态视频-语言关系分析。

TimeZero是一种基于推理引导的大型视觉语言模型（LVLM），专为时间视频定位（TVG）任务设计，通过强化学习方法实现视频中与自然语言查询相对应的时序片段识别。

OpenChat v2系列是基于LLaMA-13B框架的语言模型，采用条件加权损失训练，在多个基准测试中超越ChatGPT表现。

Promptist是基于强化学习的自动提示词优化工具，专为Stable Diffusion设计，可将用户输入转化为模型偏好的提示词。

这是一个基于 DQN 算法的强化学习智能体，专门用于玩 SpaceInvadersNoFrameskip-v4 游戏，使用 stable-baselines3 库训练。

这是一个基于深度Q网络(DQN)的强化学习智能体，专门用于解决MountainCar-v0环境中的任务。

这是一个基于深度Q网络(DQN)的强化学习智能体，专门训练用于解决MountainCar-v0环境中的控制问题。

这是一个基于稳定基线3库训练的DQN智能体，专门用于玩SpaceInvadersNoFrameskip-v4游戏。

这是一个基于DQN算法的强化学习模型，专门用于Atari游戏BeamRiderNoFrameskip-v4环境。

这是一个基于DQN算法的深度强化学习模型，专门用于Atari游戏BreakoutNoFrameskip-v4环境。

这是一个基于深度Q网络(DQN)的强化学习智能体，专门训练用于玩Atari游戏《太空侵略者》

这是一个基于 stable-baselines3 库训练的 DQN 强化学习智能体，专门用于解决 Acrobot-v1 控制问题。

这是一个基于DQN算法的强化学习模型，专门用于在PongNoFrameskip-v4环境中进行游戏。

这是一个使用 stable-baselines3 库训练的 PPO 智能体模型，专门用于 BipedalWalker-v3 环境中的强化学习任务。

这是一个基于PPO算法的强化学习模型，专为LunarLander-v2环境训练，能够控制月球着陆器安全着陆。

这是一个使用stable-baselines3库训练的DQN智能体，用于解决LunarLander-v2环境中的强化学习任务。

这是一个基于PPO算法的强化学习模型，专门用于解决Pendulum-v1环境中的控制问题。

这是一个基于stable-baselines3库训练的PPO智能体，专门用于玩雅达利游戏PongNoFrameskip-v4。