I.13Симуляция, моделирование и открытие нового

Aurigene AI разместила зеркальную копию molt5-large-smiles2caption — модели на архитектуре T5 для генерации текстового описания молекулы по строке SMILES. Она предназначена для аннотирования результатов скрининга и краткого описания библиотек молекул в задачах поиска и оптимизации лекарственных соединений. Модель содержит 385,2 млн параметров и распространяется в формате PyTorch через Transformers. Модель преобразует текстовое представление молекулы в текстовую подпись на естественном языке. Карточка указывает, что исходная модель опубликована авторами работы «Translation between Molecules and Natural Language»; лицензия — Apache-2.0.

Cephalo — мультимодальная модель зрения и языка, разработанная лабораторией LAMM MIT для работы с изображениями и научным текстом, особенно в материаловедении. Это дообученная версия meta-llama/Llama-3.2-11B-Vision-Instruct с архитектурой mllama и 11 млрд параметров; в карточке указано окно контекста 128k в названии репозитория. Модель принимает изображения и текстовые запросы, а ответы формулирует текстом. Она обучалась на научных парах изображений и текста, извлечённых из Википедии и научных публикаций. Модель предназначена для описания научных изображений, ответов на вопросы о них и интерпретации графиков, схем и микроструктур материалов. Её можно использовать в мультимодальных научных диалогах, а также как компонент конвейеров генерации 2D- и 3D-представлений микроструктур для аддитивного производства. Карточка заявляет поддержку нескольких языков, но не перечисляет конкретные языки. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Качество может зависеть от предметной области, сложности изображения и формулировки запроса; README не приводит количественных оценок. Генерация 2D- и 3D-представлений описана как сценарий применения в составе конвейеров, но сама модель выдаёт текст, а не изображения или 3D-объекты.

ChemDFM-R-14B — языковая модель для химических рассуждений, представленная разработчиками ChemDFM. Она предназначена для диалоговых задач по химии, включая анализ молекул и реакций через функциональные группы, а также ответы с объяснением хода рассуждений. Для обучения использованы набор атомизированных химических знаний ChemFG, дистилляция знаний и специализированное обучение с подкреплением. Модель построена на плотной архитектуре Qwen2, содержит 14 млрд параметров, принимает текст и имеет контекст до 131 072 токенов; в карточке указана поддержка английского и китайского языков. Репозиторий содержит веса Safetensors. Лицензия — AGPL-3.0. Модель ориентирована на химические задачи и может помогать в разборе функциональных групп и изменений при химических реакциях, а также в исследовательском диалоге. Авторы сообщают о высоких результатах на химических бенчмарках и интерпретируемых ответах с обоснованиями. Выводы могут быть ошибочными или вводить в заблуждение, поэтому их следует проверять с экспертами; при подаче SMILES авторы рекомендуют предварительную каноникализацию с RDKit.

Карточка модели OpenDFM/ChemDFM-R-14B на Hugging Face совпадает с карточкой introvoyz041/ChemDFM-R-14B, поэтому описание составлено по ней. ChemDFM-R-14B — языковая модель для химических рассуждений, представленная разработчиками ChemDFM. Она предназначена для диалоговых задач по химии, включая анализ молекул и реакций через функциональные группы, а также ответы с объяснением хода рассуждений. Для обучения использованы набор атомизированных химических знаний ChemFG, дистилляция знаний и специализированное обучение с подкреплением. Модель построена на плотной архитектуре Qwen2, содержит 14 млрд параметров, принимает текст и имеет контекст до 131 072 токенов; в карточке указана поддержка английского и китайского языков. Репозиторий содержит веса Safetensors. Лицензия — AGPL-3.0. Модель ориентирована на химические задачи и может помогать в разборе функциональных групп и изменений при химических реакциях, а также в исследовательском диалоге. Авторы сообщают о высоких результатах на химических бенчмарках и интерпретируемых ответах с обоснованиями. Выводы могут быть ошибочными или вводить в заблуждение, поэтому их следует проверять с экспертами; при подаче SMILES авторы рекомендуют предварительную каноникализацию с RDKit.

SaProt 1.3B AF2 — модель семейства ESM для работы с белковыми последовательностями, представленная репозиторием westlake-repl. В README указана версия SaProt на 1,3 млрд параметров; метаданные репозитория указывают 1,7 млрд параметров, архитектуру EsmForMaskedLM и контекст длиной 1026 токенов. Модель доступна в формате PyTorch и предназначена для предсказания свойств белков и оценки эффектов вариантов последовательностей. В README приведены результаты на ClinVar, ProteinGym и Mega-scale, сопоставимые с SaProt 650M; это указывает на применение в анализе вариантов и задачах предсказания эффектов мутаций. Лицензия — MIT. Карточка не описывает конкретные ограничения или подробности входного представления.

ABForge-Qwen3-8B-Task1-RL — языковая модель семейства Qwen3, разработанная SlowGuess для выявления целей абляции в контексте научной статьи. Для каждой предложенной цели она формулирует компонент исследования для исключения (Target Module) и связанный с ним исследовательский вопрос. Модель дообучена методом GRPO на базе Qwen/Qwen3-8B без предварительного supervised warm-start. Она предназначена для поддержки проектирования абляционных экспериментов по научным работам и оценки того, на какие компоненты стоит направить такие эксперименты. Архитектура — плотная причинно-языковая модель с 7,6 млрд параметров; доступный контекст составляет 40 960 токенов. В метаданных указан английский язык, библиотека Transformers и интерфейсы чата и вызова инструментов. Обучение и оценка описаны для данных ABForge, основанных на научных статьях; качество следует оценивать на конкретной предметной области и исследовательских задачах. Модель распространяется по лицензии Apache-2.0.

Cold-Start Chemical–Gene Ranking Readout (1B) — дообученная BioRel модель на архитектуре Llama 3.2 1B Instruct, предназначенная для ранжирования генов-кандидатов по запросу о взаимодействии химического соединения и гена в сценарии холодного старта, когда соединение не встречалось при обучении. Модель оценивает кандидатов по длина-нормированной последовательной логарифмической вероятности; свободная генерация для этой задачи не предназначена. В README сообщается о воспроизводимом результате MRR 0,536 при ранжировании полного набора из 13 972 генов. Модель содержит 1,2 млрд параметров, использует плотную архитектуру LlamaForCausalLM, принимает текст и выдаёт текстовые оценки для ранжирования. Базовая модель поддерживает контекст до 131 072 токенов; основное применение этой модели — оценка и упорядочивание списка кандидатов. README описывает её как общий, не специализированный на биомедицине чекпойнт, дообученный для задачи химико-генных связей. Модель предназначена для исследовательского ранжирования химико-генных связей, а не для клинических решений. Распространяется по лицензии llama3.2; применяйте условия этой лицензии.

Intern-S1-mini context-conditioned molecule transfer V10.3.1 — DILI — это дообученная модель jiosephlee на базе jiosephlee/Intern-S1-mini-lm для переноса свойств между молекулами с учётом контекста, связанного с лекарственным поражением печени (DILI). Она принимает текстовые запросы и выдаёт текст; модель построена на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 65 536 токенов. Модель предназначена для контекстно-зависимого сопоставления молекул и оценки релевантности кандидатов в сценариях переноса данных между анализами. В README указано, что контрольная точка выбрана по validation knn_binary_macro_f1_at_5; на тестовой выборке из 402 запросов получены Macro-F1@5 0,6144 и NDCG@5 0,6324. Обучение остановлено на шаге 219, выбран шаг оптимизатора 140, поэтому метрики описывают конкретный экспериментальный чекпойнт, а не гарантируют качество в иных условиях. Репозиторий содержит checkpoint и tokenizer для Transformers в формате safetensors. Данных о лицензии в предоставленных источниках нет, поэтому условия использования установить нельзя. Модель разработана для химических задач; результаты для DILI требуют проверки в целевом наборе данных и не должны трактоваться как самостоятельное медицинское заключение.

ABForge-Qwen3-8B-SFT — диалоговая языковая модель, разработанная SlowGuess для проектирования абляционных исследований по научным статьям. Она принимает описание методологии статьи без раздела об абляциях, предлагает цели абляций и составляет план экспериментов для каждой цели. Модель основана на Qwen/Qwen3-8B: плотная авторегрессионная архитектура Qwen3 с 7,6 млрд параметров, дообученная методом supervised fine-tuning на смеси двух задач за одну эпоху без RL. Поддерживает генерацию текста и чат, обучалась на статьях из областей машинного обучения, обработки естественного языка и компьютерного зрения. Контекст — до 40 960 токенов. Доступна под лицензией Apache-2.0. В оценке AblationBench SFT улучшил синтез планов экспериментов относительно базовой модели, но снизил качество выявления целей абляций. Авторы позиционируют эту версию прежде всего как начальную точку для последующего этапа GRPO; для воспроизведения оценки рекомендуются шаблоны запросов из кода проекта и жадное декодирование.

Intern-S1-mini — Direct TDC DILI — это дообученная модель jiosephlee для оценки молекул в контексте анализа DILI, то есть потенциального лекарственного поражения печени. Репозиторий содержит полный чекпойнт, выбранный по метрике ранжирования на валидационной выборке. Модель основана на плотной архитектуре Qwen3 с причинным языковым моделированием и содержит 7,6 млрд параметров. Она принимает текстовый ввод и генерирует текст; максимальный контекст — 65 536 токенов. В метаданных указаны Transformers и формат весов safetensors. Чекпойнт предназначен для переноса и ранжирования молекул по задаче DILI; в README приведён результат 0,8042 по метрике knn_binary_macro_f1_at_5 на валидации. Это значение не гарантирует аналогичного качества на других данных. Сведения о лицензии в предоставленных источниках отсутствуют.

RetroReasoner-RL — модель KU-AGI для генерации текста, дообученная на базе Qwen3-8B и ориентированная на задачи химии, ретросинтетического анализа и рассуждений. Модель имеет 7,6 млрд параметров, поддерживает контекст до 32 768 токенов и предназначена для использования через библиотеку Transformers. Основной заявленный язык — английский.

Anole‑Zebra‑CoT — мультимодальная модель зрения и языка на 6,7 млрд параметров, разработанная на основе GAIR/Anole-7b и дообученная командой Multimodal Reasoning Lab на наборе Zebra‑CoT. Модель предназначена для визуальных задач рассуждения: она принимает изображения и текст и генерирует чередующиеся текстовые и графические фрагменты рассуждений. Обучающие данные включают 182 384 примера по 18 подзадачам в областях 2D- и 3D-визуальных задач, научного рассуждения и визуальной логики и игр. В README сообщается об улучшении точности на тесте, соответствующем обучающим данным, с 4,2% до 16,9%, а также о более высоких результатах на MathVision, MathVista и VisuLogic по сравнению с Anole с CoT-промптингом. Архитектура — плотная Chameleon; формат весов — safetensors, длина контекста — 4096 токенов. Модель распространяется по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Protein-Tiny-60M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белкам, их взаимодействиям и молекулярной биологии. Заявленный размер — 60 млн параметров; модель работает с текстом на английском языке и возвращает метки и фрагменты распознанных сущностей. Основное назначение — извлечение белков, белковых комплексов, семейств и вариантов из научной литературы и других биомедицинских текстов. Это может помогать при поиске взаимодействий белок–белок, моделировании путей и анализе системной биологии. GLiNER позволяет задавать типы сущностей для извлечения, однако качество для пользовательских или редких типов зависит от порога распознавания и требует проверки. В README для Tiny-модели указан F1 0,62 на тестовом наборе FSU. Модель распространяется по лицензии Apache-2.0. README также перечисляет широкие сценарии клинического NLP и распознавания произвольных биомедицинских сущностей, однако приведённый результат относится к корпусу FSU и специализации на белках; переносимость на другие типы сущностей и клинические данные отдельно не подтверждена.

AIFS Single v1.0 — система прогнозирования погоды на основе машинного обучения, разработанная Европейским центром среднесрочных прогнозов погоды (ECMWF). Это первая операционно поддерживаемая версия AIFS Single; модель работает рядом с физической системой численного прогноза ECMWF и выпускается четыре раза в сутки. Модель использует архитектуру encoder-processor-decoder: графовую нейронную сеть для кодирования и декодирования данных и трансформер со скользящим окном для обработки. Она обучена на реанализе ERA5 и оперативных анализах ECMWF, принимает состояния атмосферы за два последовательных срока с интервалом шесть часов и прогнозирует состояние через следующие шесть часов. Разрешение по горизонтали составляет около 31 км, вертикально используются 13 уровней давления. AIFS прогнозирует атмосферные переменные на уровнях давления и у поверхности, осадки, снежный покров, радиацию, почвенную влажность и температуру, а также траектории тропических циклонов. К сильным сторонам относятся качество прогнозов верхнеатмосферных и поверхностных переменных и дополнительные выходные параметры. Ограничения включают сглаживание полей на дальних сроках, пониженную точность в стратосфере и заниженную интенсивность некоторых тропических циклонов; из-за недетерминированности GPU самостоятельный запуск не гарантирует точного воспроизведения официального прогноза. Веса опубликованы по лицензии CC BY 4.0.

ChatCell — модель семейства T5, разработанная авторами проекта ChatCell для анализа данных отдельных клеток с помощью естественного языка. Она использует представление Cell2Sentence, преобразующее данные о клетках в текстовые последовательности, и адаптированный словарь клеток при предварительном обучении. Модель содержит 406,4 млн параметров, принимает и генерирует текст; длина контекста — 512 токенов. ChatCell предназначена для генерации последовательностей, описывающих клетки, создания псевдоклеток по меткам типов клеток, аннотации типов клеток по паттернам экспрессии генов и прогнозирования чувствительности клеток к препаратам. Это исследовательский инструмент для анализа одноклеточной транскриптомики и биологических данных. В карточке не указаны конкретные поддерживаемые естественные языки и лицензия, поэтому условия коммерческого и иного использования по имеющимся данным определить нельзя.

GPN-MSA — языковая модель для ДНК, обученная Song Lab на последовательностях человека и ещё 89 видов позвоночных с использованием множественного выравнивания последовательностей (MSA). Это плотная архитектура GPNRoFormer с 113,3 млн параметров и контекстом 1536 токенов; модель доступна в форматах PyTorch и Safetensors. Модель предназначена для предсказания замаскированных нуклеотидов и анализа генетических вариантов. Её можно применять для оценки эффектов вариантов и исследования геномных последовательностей человека с учётом эволюционного контекста. Задача в метаданных — fill-mask. Лицензия — MIT.

kevinkawchak дообучил диалоговую модель NousResearch/Hermes-2-Pro-Llama-3-8B на наборе zjunlp/Mol-Instructions, посвящённом молекулярным инструкциям и проектированию молекул по описанию. Это плотная авторегрессионная модель семейства Llama 3 с примерно 7,5 млрд параметров и контекстом 8192 токена; она принимает текст и генерирует текстовые ответы. Модель предназначена для ответов на общие и биохимические вопросы, а также для генерации представлений молекул в SELFIES. В карточке отмечено, что ответы на общие вопросы были точными, а качество биохимических ответов и структур SELFIES ограничено; последующие настройки улучшили такие ответы, но автор указывает на необходимость дальнейшей проверки. Карточка сообщает о лицензии Llama 3; для обучающего набора указана лицензия CC-BY-4.0.

AntiBERTa2-CSSP — разработанная Alchemab мультимодальная модель для работы с антителами, основанная на архитектуре RoFormer. Модель обучена контрастивным методом, подобным CLIP, и предназначена для получения признаковых представлений, связывающих данные об антителах с другой модальностью. В метаданных указаны 268,5 млн параметров и контекст 256 токенов; карточка README приводит для варианта CSSP конфигурацию 202 млн параметров, 16 слоёв, 16 голов внимания и размерность 1024. Модель подходит для извлечения признаков и сравнения представлений в задачах анализа антител и биологических данных. Доступна в формате safetensors. Лицензия обозначена как other; README ограничивает использование модели и полученных последовательностей антител некоммерческими целями.

aozalevsky/search_slm_demo — дообученная модель на 4 млрд параметров, созданная на базе Qwen/Qwen3.5-4B и предназначенная для преобразования запросов на естественном языке в структурированные запросы к RCSB PDB Search API v2. Она также может редактировать предыдущий запрос по уточнению пользователя и возвращать структурированную ошибку, если запрос не относится к поиску структур или в нём не хватает данных для поиска. Модель рассчитана на запуск через Transformers на одной видеокарте с 16 ГБ памяти и обучена на англоязычных запросах к макромолекулярным структурам.

TxGravity-30B-A5B-Open — специализированная модель для прогнозирования терапевтических свойств молекул и биомолекулярных взаимодействий. Её совместно разработали SK Biopharmaceuticals и Trillion Labs на базе Trillion Labs/Gravity-30B-A5B; архитектура совместима с DeepSeek-V3 и использует MoE. В карточке указано 3,8 млрд параметров, а в README — 29,56 млрд общих и около 6 млрд активных параметров; эти сведения о размере расходятся. Модель дообучена на 57 задачах Therapeutic Data Commons, преобразованных в одношаговые инструкции. Она предназначена для прогнозирования ADMET-свойств малых молекул, токсичности, взаимодействий лекарств с мишенями, белок-белковых и пептидно-MHC взаимодействий и других задач бенчмарка TDC. Ожидаемый формат ответа — метки (A)/(B) для классификации или нормализованный бин 000–1000 для регрессии. Контекст — до 131 072 токенов; интерфейс рассчитан на текстовые запросы и ответы. В сравнении с TxGemma-27B на сопоставимых задачах TDC модель показала 16 побед, 26 ничьих и 18 поражений. Она не является универсальным помощником и не предназначена для свободного диалога: надёжность вне обучающих форматов и задач не установлена. Прогнозы могут быть неточными, смещёнными или неполными и требуют независимой проверки до экспериментального, клинического или иного принятия решений. Открытая версия выпущена под лицензией Apache-2.0; при обучении исключены датасеты с ограничением на некоммерческое использование.

TencentARC DSR Suite — дообученная мультимодальная модель для динамического пространственного рассуждения по видео, представленная в работе Learning to Reason in 4D. Она анализирует, как геометрия объектов и пространственные отношения меняются со временем, и отвечает на вопросы о содержимом видео. Модель основана на Qwen2.5-VL-7B-Instruct, имеет 7,1 млрд параметров и контекст длиной до 128 000 токенов; поддерживает обработку видео и текстовые ответы. Для обучения использованы набор DSR-Train из 50 000 вопросов и ответов и модуль Geometry Selection Module, который добавляет геометрические априорные данные от 3D-моделей. Для оценки разработчики представили бенчмарк DSR-Bench из 1 484 вопросов. Модель рассчитана на анализ пространственной динамики в видео и может использоваться в исследовательских и прикладных сценариях визуального понимания. Лицензия — Apache-2.0.

PeiYangMe-0.9 — языковая модель Tianjin University для задач вычислительного катализа, в частности анализа процессов дегидрирования пропана (PDH). Модель дообучена на Yi-1.5-6B и относится к плотной архитектуре семейства Llama; содержит 5,8 млрд параметров и принимает текст для генерации текста. Работает с контекстом до 4096 токенов, поддерживает китайский и английский языки. Модель предназначена для применения в задачах вычислительного катализа и химии, связанных с PDH. Подробные технические характеристики и показатели качества пока не опубликованы. Распространяется по лицензии Apache-2.0.

RxnID — контрольная точка модели для распознавания и разбора схем химических реакций. Она разработана для проекта Molecular Identifier Visual Prompt and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing и предназначена для использования вместе с кодовой базой RxnID. Модель основана на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и принимает изображения вместе с текстовыми инструкциями, выдавая текстовый результат. Контекст составляет до 128 000 токенов. Карточка указывает задачу image-text-to-text и поддержку английского языка. Лицензия CC BY-NC 4.0 разрешает использование на условиях лицензии с ограничением на коммерческое применение.

VPR-Qwen3-4B-Base-Math-Mixed — дообученная модель nics-efc на базе Qwen3-4B-Base с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она обучена на смешанных математических данных и опыте в играх Sokoban, Sudoku и Minesweeper; VPR использует пошаговые награды за действия, вычисляемые проверяющими оракулами для конкретных задач. Модель предназначена для генерации текста и экспериментов с рассуждениями и агентными действиями в игровых и исследовательских сценариях. Контекст — 32 768 токенов; формат весов — safetensors, библиотека — Transformers. В карточке приведены результаты на наборах общего рассуждения, ALFWorld и WebShop, измеренные по протоколу статьи VPR. Ограничения модели связаны с распределением математических данных, игровыми оракулами, промптами и форматами действий, использованными при обучении; качество и безопасность за пределами этих условий не установлены. Лицензия — Apache-2.0.

ETCHR-FLUX.2-klein-9B — специализированный редактор изображений, разработанный авторами проекта ETCHR и дообученный на базе FLUX.2-klein-base-9B. Он принимает изображение и вопрос или инструкцию, а затем редактирует изображение, чтобы помочь мультимодальной языковой модели лучше рассуждать о мелких деталях, пространственных преобразованиях и визуальных задачах. Модель предназначена для совместного использования с MLLM в задачах распознавания мелких деталей, понимания диаграмм, логических рассуждений, восстановления головоломок и пространственного понимания 3D-сцен. В предложенном авторами процессе Edit-Verify-Reason основная модель проверяет результат редактирования и при неудачной проверке возвращается к исходному изображению. Репозиторий содержит веса в форматах Diffusers и SafeTensors; лицензия указана как other, поэтому конкретные условия следует сверить с карточкой модели.

HyenaDNA large-1m — плотная авторегрессионная модель семейства HyenaDNA, разработанная исследовательской группой авторов проекта HyenaDNA. Она предназначена для анализа геномных последовательностей: модель предварительно обучена предсказывать следующий нуклеотид на референсном геноме человека HG38 и принимает последовательности на уровне отдельных нуклеотидов. Архитектура использует операторы Hyena с длинными свёртками и gating вместо стандартного механизма внимания, что позволяет обрабатывать длинные контексты; для этого чекпойнта заявлен контекст до 1 млн токенов. Размер модели — 7,3 млн параметров. Модель подходит для генерации продолжений ДНК-последовательностей и дообучения для задач классификации последовательностей, включая выявление регуляторных элементов, прогнозирование профилей хроматина и классификацию видов. В карточке описаны результаты на широком наборе геномных задач, но сами веса являются предварительно обученным чекпойнтом, а качество конкретного применения зависит от дообучения и данных. Для длинных последовательностей требуются значительные ресурсы GPU; авторы указывают для инференса large-1m видеокарту A100 с 40 ГБ памяти. Лицензия — BSD-3-Clause.

Qwen3-VL-4B-ArrowRL — видеоязыковая модель на базе Qwen3-VL-4B, дообученная методом ArrowRL. Чекпойнт выпущен как базовый вариант для исследования CRPO о восприятии пространственно-временной динамики в видео с помощью контрфактического обучения с подкреплением. Модель предназначена для ответов на вопросы о видео с учётом изменений во времени, например направления движения, обратимой динамики и последовательности событий. Её оценивали на DyBench, а также на наборах Video-MME, TempCompass, MVBench и TimeBlind. В репозитории указаны веса в формате safetensors и библиотека Transformers. Лицензия в предоставленных данных не указана.

RoBERTa Base HumAb VH — модель hemantn для гуманизации последовательностей вариабельной тяжёлой цепи антител (VH). Она обучена с нуля методом masked language modeling примерно на 141 млн последовательностей человеческих антител и предназначена для восстановления замаскированных аминокислотных остатков, анализа последовательностей и изучения закономерностей VH. README сообщает точность 91,46%; также модель можно использовать через пакет AnthroAb для предложений гуманизирующих мутаций и генерации представлений последовательностей. Модель имеет архитектуру RobertaForMaskedLM: 12 слоёв, 12 голов внимания, скрытый размер 768, словарь из 25 токенов и контекст до 192 токенов. Число параметров — 113,3 млн; веса представлены в safetensors. Это специализированная белковая модель, а не универсальная языковая модель. Лицензия — MIT. Заявленная точность приведена в README без описания методики оценки, поэтому её нельзя напрямую переносить на любые наборы последовательностей или сценарии.

Mungert/C2S-Scale-Gemma-2-27B-GGUF — GGUF-версия языковой модели C2S-Scale-Gemma-27B, разработанной van Dijk Lab (Yale), Google Research и Google DeepMind. Модель построена на архитектуре Gemma-2 27B и дообучена для анализа одноклеточной биологии в рамках Cell2Sentence (C2S). Она представляет данные scRNA-seq в виде «клеточных предложений» — упорядоченных по уровню экспрессии последовательностей названий генов, — и обрабатывает их как язык. Модель предназначена для предсказания типов клеток, классификации тканей, аннотирования клеточных атласов, анализа биологических представлений, генерации реалистичных профилей экспрессии и проведения вычислительных экспериментов, включая изучение клеточных ответов на возмущения. Она обучалась на данных более чем 57 миллионов клеток и может использоваться как базовая модель для последующей адаптации к специализированным задачам анализа отдельных клеток. В README явно приведён сценарий классификации клеточного типа по последовательности из 1000 генов для Homo sapiens. Модель относится к текстовым генеративным моделям, но работает с биологическими данными, преобразованными в последовательности генов. Поддерживаемый язык указан как английский. Дистрибутив представлен в формате GGUF и создан с использованием llama.cpp; автор сборки также описывает экспериментальный подход к квантованию с повышением точности отдельных важных слоёв, что может улучшать качество при низкой разрядности за счёт увеличения размера файла. Ограничения конкретного варианта квантования, требования к памяти и полный размер контекста в README не указаны. Лицензия модели — CC BY 4.0. Модель ориентирована прежде всего на исследовательские и вычислительно-биологические сценарии; её выводы требуют биологической проверки и не должны рассматриваться как самостоятельное подтверждение научных гипотез.

Cephalo-Phi-3-vision-128k-4b-alpha — мультимодальная модель семейства Cephalo, разработанная для научных задач в области материаловедения. Это дообученная версия Phi-3-Vision-128K-Instruct с архитектурой Phi3V и примерно 3,7 млрд параметров; она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для описания изображений, ответов на вопросы о визуальных данных и мультимодального взаимодействия, особенно в контексте материаловедения и микроструктур. В README заявлен контекст до 128 000 токенов, однако метаданные указывают нативный контекст в 4096 токенов. Карточка рекомендует формат чата и преимущественно одиночный ввод изображения. Обучающие данные включают пары изображений и подписей, извлечённые из PDF-документов, а также материалы по биоинспирированной механике и материалам. Модель распространяется по лицензии Apache-2.0.