generated at
R1-V
https://github.com/Deep-Agent/R1-VDeep-Agent/R1-V

RLVR強化学習をQwen2-VL-2Bに適応したらQwen2-VL-72Bを越えたよ論文
> AK(@_akhaliq)
> R1-V
>
> Reinforcing Super Generalization Ability in Vision Langauge Models with Less Than $3
>
> The 2B model outperforms the 72B model in OOD tests within just 100 training steps.
>
2Bで！？morisoba65536
と思ったが、https://x.com/liangchen5518/status/1886171667522842856を見るに特にReasoning Modelとしてガッツリ調整してるわけではなく数のカウントなどに特化した学習をしたようだ