Steiner-32b-preview

Steiner é um modelo de raciocínio treinado em dados sintéticos, projetado para explorar vários caminhos de raciocínio e verificar autonomamente.

Produto ComumProdutividadeModelo de raciocínioAprendizado por reforço

Abrir Site

Steiner é uma série de modelos de raciocínio desenvolvida por Yichao 'Peak' Ji, que se concentra no treinamento em dados sintéticos por meio de aprendizado por reforço, podendo explorar vários caminhos e verificar ou retroceder autonomamente durante o raciocínio. O objetivo do modelo é reproduzir a capacidade de raciocínio do OpenAI o1 e verificar a curva de expansão durante o raciocínio. Steiner-preview é um projeto em andamento, e seu objetivo de código aberto é compartilhar conhecimento e obter feedback de mais usuários reais. Embora o modelo tenha apresentado um desempenho excelente em alguns testes de referência, ele ainda não alcançou totalmente a capacidade de expansão de raciocínio do OpenAI o1, portanto, ainda está em fase de desenvolvimento.

Suporta raciocínio de amostra zero
sem depender de prompts de cadeia de pensamento ou estruturas de agente.
Capaz de explorar vários caminhos autonomamente durante o processo de raciocínio e realizar verificações ou retrocessos.
Compatível com serviços de inferência existentes
recomenda-se o uso do vLLM para implantação.
Suporta raciocínio multilíngue
principalmente em inglês
mas também pode processar chinês.
Fornece o processo e os resultados detalhados de raciocínio
para facilitar a compreensão e avaliação do usuário.

Este modelo é adequado para pesquisadores
desenvolvedores e educadores que precisam realizar tarefas de raciocínio complexas
especialmente em cenários que exigem exploração e verificação autônomas de caminhos de raciocínio. Além disso
também é adequado para instituições acadêmicas e empresas que pesquisam a capacidade de raciocínio de modelos
e para a comunidade de desenvolvedores que testam e melhoram modelos de código aberto.

No teste de referência GPQA Diamond
Steiner mostrou alta precisão em vários subdomínios (como mecânica quântica e biologia molecular)
demonstrando sua capacidade de raciocínio em áreas específicas.
Os usuários podem implantar Steiner por meio do vLLM
apenas adicionando parâmetros específicos para realizar solicitações de inferência

Acesse o site Hugging Face e encontre a página do modelo Steiner-32b-preview.
Na página
encontre o guia de implantação e selecione o vLLM recomendado como serviço de inferência.
De acordo com o guia
adicione os parâmetros necessários (como 'skip_special_tokens': false e 'spaces_between_special_tokens': false) à solicitação de inferência.

Abrir Site

Steiner-32b-preview Situação do Tráfego Mais Recente

Total de Visitas Mensais

29742941

Taxa de Rejeição

44.20%

Média de Páginas por Visita

5.9

Duração Média da Visita

00:04:44

Steiner-32b-preview Tendência de Visitas

Steiner-32b-preview Distribuição Geográfica das Visitas

Steiner-32b-preview Fontes de Tráfego

Steiner-32b-preview Alternativas

Steiner-32b-preview — Steiner é um modelo de raciocínio treinado em dados sintéticos, projetado para explorar vários caminhos de raciocínio e verificar autonomamente.

Best AI Websites & Tools

Steiner-32b-preview

Steiner-32b-preview Situação do Tráfego Mais Recente

Steiner-32b-preview Tendência de Visitas

Steiner-32b-preview Distribuição Geográfica das Visitas

Steiner-32b-preview Fontes de Tráfego

Steiner-32b-preview Alternativas

Steiner-32b-preview — Steiner é um modelo de raciocínio treinado em dados sintéticos, projetado para explorar vários caminhos de raciocínio e verificar autonomamente.

DeepSeek-R1-Distill-Qwen-7B — DeepSeek-R1-Distill-Qwen-7B é um modelo de raciocínio de código aberto, focado em tarefas de matemática, código e raciocínio.

DeepSeek-R1-Zero — DeepSeek-R1-Zero é um modelo de raciocínio treinado com aprendizado por reforço em larga escala, capaz de alcançar excelente capacidade de raciocínio sem precisar de ajuste fino supervisionado.

NotaGen — NotaGen é um modelo para geração de música simbólica, que adota o paradigma de treinamento de modelos de linguagem grande e se concentra na geração de partituras clássicas de alta qualidade.

MLGym — O MLGym é uma nova estrutura e benchmark para avançar a pesquisa de agentes de IA.

VLM-R1 — O VLM-R1 é um modelo de linguagem visual reforçado estável e versátil, focado em tarefas de compreensão visual.

NovaSky — NovaSky é uma plataforma de tecnologia de inteligência artificial focada em geração de código e otimização de modelos de inferência.

AlphaMaze — AlphaMaze é um modelo de linguagem decodificador focado em tarefas de raciocínio visual, projetado para superar as deficiências dos modelos de linguagem tradicionais em tarefas visuais.

HOMIEtele — HOMIE é um novo sistema de teleoperação de robôs humanoides que integra captura de movimento corporal e um framework de treinamento de aprendizado por reforço para realizar tarefas de locomoção e manipulação precisas.

OpenThinker-32B — OpenThinker-32B é um poderoso modelo de raciocínio de código aberto, projetado para aprimorar a capacidade de raciocínio com dados abertos.

DeepScaleR-1.5B-Preview — Modelo de linguagem grande otimizado por aprendizado por reforço, focado na melhoria da capacidade de resolução de problemas matemáticos.

Neosync — Neosync é uma ferramenta de anonimização de dados e geração de dados sintéticos de código aberto, que ajuda os desenvolvedores a usar dados de produção com segurança para desenvolvimento e teste locais.

R1-V — Melhora a capacidade de generalização de modelos de linguagem visual reforçados de baixo custo, por menos de 3 dólares.

OpenAI o3-mini — O OpenAI o3-mini é o mais recente modelo de raciocínio de alto custo-benefício lançado pela OpenAI, otimizado para o campo STEM.

Tülu 3 405B — Tülu 3 405B é um modelo de linguagem de código aberto em larga escala, com desempenho aprimorado por meio de aprendizado por reforço.

CUA — CUA é uma interface universal que permite a interação com o mundo digital por meio de uma interface gráfica.

DeepSeek-R1-Distill-Qwen-1.5B — DeepSeek-R1-Distill-Qwen-1.5B é um modelo de linguagem de código aberto eficiente para inferência, adequado para diversas tarefas de processamento de linguagem natural.

DeepSeek-R1-Distill-Llama-8B — DeepSeek-R1-Distill-Llama-8B é um modelo de linguagem de código aberto de alto desempenho, adequado para tarefas de geração e raciocínio de texto.

DeepSeek-R1-Distill-Qwen-14B — DeepSeek-R1-Distill-Qwen-14B é um modelo de geração de texto de alto desempenho, adequado para diversas tarefas de raciocínio e geração.

DeepSeek-R1-Distill-Qwen-32B — DeepSeek-R1-Distill-Qwen-32B é um modelo de linguagem de código aberto de alto desempenho, adequado para diversas tarefas de geração de texto.

DeepSeek-R1-Distill-Llama-70B — DeepSeek-R1-Distill-Llama-70B é um grande modelo de linguagem otimizado por aprendizado por reforço, focado em raciocínio e capacidade de diálogo.

PaSa — PaSa é um agente de busca de artigos acadêmicos avançado, impulsionado por modelos de linguagem grandes, capaz de tomar decisões autônomas e obter resultados precisos.

Kimi k1.5 — O Kimi k1.5 é um modelo de linguagem multimodal expandido por meio de aprendizado por reforço, focado em aprimorar a capacidade de raciocínio e lógica.

DeepSeek-R1 — DeepSeek-R1 é um modelo de inferência de alto desempenho, que suporta múltiplas linguagens e tarefas, adequado para aplicações de pesquisa e comerciais.

RLLoggingBoard — Uma ferramenta para visualização do processo de treinamento de feedback humano de aprendizado por reforço, ajudando na compreensão e depuração profunda.

modelos-de-linguagem-grandes-autoadaptativos — Uma estrutura de modelo de linguagem grande que se adapta em tempo real a tarefas desconhecidas.

Dria-Agent-α — Dria-Agent-α é uma estrutura de interação de ferramentas de modelo de linguagem grande (LLM) baseada em Python.

Eurus-2-7B-PRIME — Modelo de linguagem de 7B parâmetros treinado com o método PRIME, projetado para aprimorar a capacidade de raciocínio.

EurusPRM-Estágio2 — EurusPRM-Estágio2 é um modelo de aprendizado por reforço baseado em recompensas implícitas de processo, projetado para melhorar a capacidade de raciocínio de modelos gerativos.

EurusPRM-Estágio1 — EurusPRM-Estágio1 é um modelo de aprendizado por reforço baseado em recompensas implícitas de processo, projetado para melhorar a capacidade de raciocínio de modelos generativos.