Infoxmed2.0-27B: Instruction Tuning, Preference Alignment, and GRPO-Based Reward Model Training for Medical LLMs
यह शोध पत्र Infoxmed2.0-27B को प्रस्तुत करता है, जो Qwen3.5-27B से व्युत्पन्न एक मेडिकल फाउंडेशन मॉडल है, जो प्रोप्रायटरी डेटा सिंथेसिस, LoRA-आधारित इंस्ट्रक्शन ट्यूनिंग, DPO प्रैफ़रेंस अलाइनमेंट और GRPO-आधारित रिवॉर्ड मॉडल ट्रेनिंग से जुड़ी एक कठोर बहु-चरणीय पोस्ट-ट्रेनिंग पाइपलाइन के माध्यम से मेडिकल बेंचमार्क पर उत्कृष्ट प्रदर्शन प्राप्त करता है।