Модель DeBERTa-v2 для предсказания замаскированных кодонов и получения представлений кодирующих последовательностей ДНК без зависимости от белка или идентификаторов видов.

Подходит для: предсказание замаскированных кодонов в кодирующей ДНК · получение эмбеддингов последовательностей кодонов · извлечение представлений кодирующих последовательностей для биологических исследований

ThinkOnly-вариант модели When2Think на 1,5 млрд параметров для математических задач с явным рассуждением, глубина которого адаптируется к сложности входа.

Подходит для: решение математических задач с пошаговым объяснением · ответы на задачи GSM-Plus и математических олимпиад · оценка влияния длины рассуждений на точность и вычислительные затраты

Крупная модель I-JEPA на базе Vision Transformer извлекает семантические признаки изображений для последующего анализа и классификации.

Подходит для: извлечение признаков изображений для классификатора · получение визуальных представлений для последующих задач компьютерного зрения · подготовка признаков изображений из ImageNet-22K для аналитического конвейера

SynCodonLM-V2 — модель DeBERTa-v2 для предсказания кодонов, получения представлений и генерации кодирующих ДНК-последовательностей с учётом синонимичных кодонов.

Подходит для: восстановление замаскированных кодонов в последовательностях coding DNA · получение векторных представлений кодирующих ДНК-последовательностей · генерация правдоподобных кодирующих ДНК-последовательностей

16-битная MLX-конверсия JevK5 для локального диалога и оценки вероятностей вариантов ответа на компьютерах Apple Silicon.

Подходит для: оценка вероятностей вариантов ответа в вопросах с выбором · классификация ответов в формате «да/нет» · локальная оценка решений с типизированными вариантами