Плотная языковая модель OpenSci на 1,7 млрд параметров, обученная на DCLM, предназначена для генерации текста и проверки языковых способностей.

Подходит для: генерация продолжений текста · оценка ответов на вопросы общего характера · эксперименты с языковыми моделями на базе Transformers

35-миллиардная MoE-модель InternScience для многошаговых агентных задач, научных рассуждений, поиска и вызова инструментов.

Подходит для: планирование и выполнение длительного веб-поиска · разбиение инженерной задачи на исполнимые этапы · научные рассуждения с обращением к внешним инструментам

Крупная модель MoE на базе Qwen 3.5 для агентного программирования, решения задач разработки и работы с инструментами.

Подходит для: решение задач разработки в терминальном coding-агенте · поиск и исправление ошибок в кодовой базе · автоматизация задач программирования с вызовом инструментов

Плотная авторегрессионная языковая модель OpenSci на 1,7 млрд параметров для генерации текста и ответов на вопросы.

Подходит для: генерация продолжения текста · создание черновиков и фрагментов текста · ответы на вопросы общего характера

safetensors: формат, квантизация, runtime и память принадлежат одному artifact

Дообученная диалоговая модель OpenSci на 1,7 млрд параметров для генерации текста и ответов на вопросы в контексте до 16 384 токенов.

Подходит для: генерация ответов на открытые вопросы · ведение текстового диалога · создание черновиков ответов на запросы

35-миллиардная MoE-модель InternScience в формате GGUF F16 для многошагового агентного поиска, научных и инженерных задач с использованием инструментов.

Подходит для: многошаговый поиск информации в интернете · разбиение сложной задачи на план и последовательность действий · научные рассуждения и ответы на исследовательские вопросы

Разговорная модель OpenSci на 1,7 млрд параметров для генерации текста и ответов на вопросы.

Подходит для: генерация ответов в диалоге · ответы на общие вопросы · продолжение текста

Диалоговая языковая модель OpenSci на 1,7 млрд параметров, дообученная методом DPO для генерации текста и ответов на вопросы.

Подходит для: ответы на вопросы в текстовом диалоге · генерация продолжений текста · создание разговорного ассистента

Дообученная языковая модель OpenSci на 1,7 млрд параметров для генерации текста и диалоговых ответов.

Подходит для: генерация продолжений текста · ответы на вопросы в диалоговом формате · создание черновиков по текстовому запросу

Диалоговая модель OpenSci на 1,7 млрд параметров для генерации текста и ответов на пользовательские запросы с контекстом до 16 384 токенов.

Подходит для: генерация диалоговых ответов на вопросы · написание продолжения текста по заданному запросу · обсуждение гипотетических сценариев

Дообученная языковая модель OpenSci Ref с 1,7 млрд параметров для диалоговой генерации текста и ответов на вопросы.

Подходит для: генерация ответов на вопросы в чате · создание продолжений текста по запросу · диалоговое взаимодействие с языковой моделью

Базовая модель GALACTICA на 1,3 млрд параметров для генерации и анализа научных текстов и данных.

Подходит для: ответы на вопросы по научной литературе · суммаризация исследовательских статей · генерация научных документов

Плотная языковая модель Open-Sci на 1,7 млрд параметров для генерации текста, обученная на FineWeb-Edu на 1 трлн токенов.

Подходит для: продолжение заданного текста · генерация ответов на текстовые вопросы · эксперименты с языковой моделью на корпусе образовательного веб-текста

Диалоговая языковая модель OpenSci на 1,7 млрд параметров для генерации ответов и продолжения текста.

Подходит для: генерация ответов в текстовом диалоге · продолжение пользовательского текста · создание прототипа чат-бота

Компактная модель Qwen3-1.7B, дообученная на траекториях Qwen3-32B для выполнения многошаговых задач в научной среде ScienceWorld.

Подходит для: прохождение задач в симуляторе ScienceWorld · выбор действий по последовательности наблюдений среды · многошаговое выполнение научных задач в формате ReAct

Мультимодальная модель InternLM на 35 млрд параметров для научных задач, диалога, рассуждений, понимания изображений и агентных рабочих процессов.

Подходит для: Ответы на вопросы по научным текстам и изображениям · Рассуждения и решение сложных научных задач · Анализ физических временных рядов и сигналов

Компактная авторегрессионная модель OpenLM на 1,4 млрд параметров для генерации текста и экспериментов общего назначения.

Подходит для: генерация продолжения текста · эксперименты с компактными языковыми моделями · оценка perplexity на текстовых корпусах

Компактная мультимодальная модель Qwen3.5, дообученная для научных рассуждений, проверки выводов и агентных исследовательских задач.

Подходит для: ответы на научные вопросы с опорой на источники · математические рассуждения и решение задач · вычислительные рассуждения с проверкой кода

Дообученная на траекториях ScienceWorld модель Qwen3-1.7B для генерации текста и решения задач научной среды.

Подходит для: генерация ответов агента в задачах ScienceWorld · выполнение текстовых инструкций в научной симуляции · исследование дообучения языковых моделей на траекториях учителя

Диалоговая модель на 9 млрд параметров для анализа омиксных данных, научного программирования и работы с инструментами omicverse.

Подходит для: воспроизведение анализа омиксных данных из научной статьи · написание кода для анализа данных в omicverse · вызов инструментов omicverse в многошаговом исследовательском процессе

Базовая модель OLMo-2 с открытыми весами для генерации текста и последующей адаптации к задачам STEM.

Подходит для: дообучение модели на научных текстах и задачах STEM · генерация кода на Verilog или VHDL после предметной адаптации · адаптация к задачам физики, математики и органической химии

PhAI-IDE-72B — дообученная на траекториях Codex модель Qwen2.5 для научного программирования, ремонта кода и взаимодействия с инструментами.

Подходит для: поиск и исправление ошибок в научном коде · помощь при разработке вычислительных научных проектов · анализ запросов кода в диалоге

Компактная MoE-модель для генерации Python-кода в задачах вычислительной математики, научных вычислений и машинного обучения.

Подходит для: генерация реализаций слоёв и механизмов внимания на PyTorch · написание функций численных вычислений на Python · реализация алгоритмов классического машинного обучения