I.13Симуляция, моделирование и открытие нового

HyenaDNA — семейство геномных языковых моделей, разработанное исследователями из Стэнфорда, Harvard Medical School и других организаций. Эта версия содержит 3,7 млн параметров и рассчитана на последовательности длиной до 32 тыс. нуклеотидов. Модель использует архитектуру HyenaDNAForCausalLM со стеком операторов Hyena, односимвольной токенизацией нуклеотидов и авторегрессионным предсказанием следующего нуклеотида. По сравнению с плотным вниманием операторы Hyena масштабируются субквадратично по длине последовательности. Модель предварительно обучена на человеческом референсном геноме HG38. Она предназначена для генерации и анализа последовательностей ДНК, а также для дообучения на задачах классификации, включая предсказание регуляторных элементов, профилей хроматина и классификацию видов. Контекст до 32 тыс. нуклеотидов позволяет учитывать дальние зависимости в геномных последовательностях. Для обучения README приводит требования к GPU для семейства моделей, но указанные ресурсы различаются по размеру чекпойнта. Репозиторий содержит веса в формате safetensors. Лицензия — BSD 3-Clause. Хотя README описывает обучение на человеческом геноме и экспериментальные результаты для разных видов, метаданные не указывают коды языков; естественные языки для этой модели не применимы. Фактические пределы производительности и пригодность к конкретным геномным задачам зависят от данных и дообучения.

OPI-Llama-3.1-8B-Instruct — языковая модель BAAI, дообученная на полном наборе инструкций OPI из 1,61 млн примеров на основе Meta-Llama-3.1-8B-Instruct. Она предназначена для диалогового выполнения инструкций и генерации ответов по задачам, связанным с белками и биологией. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и поддерживает контекст до 131 072 токенов; в репозитории представлены веса safetensors. Модель подходит для исследовательских рабочих процессов в биологии и life sciences, где требуется отвечать на вопросы или выполнять инструкции по белковым задачам. Карточка ссылается на публикацию о наборе OPI и сообщает об оценке на девяти задачах, но подробности таблицы результатов в предоставленном README опущены. Модель поддерживает английский язык. Условия использования наследуют лицензию Llama 3.1 (llama3.1); перед применением необходимо соблюдать её ограничения.

Phi4attnAoS — исследовательский чекпойнт из коллекции OASIS, созданный на базе Microsoft Phi-4-mini-instruct. Вариант AoS применяет Softmax1 с нулевым слотом к токенной attention и включает AttentionResidual; модель относится к плотной архитектуре Phi3ForCausalLM и содержит 3,8 млрд параметров. Для корректной работы нужны специальные модули и код моделирования OASIS: обычная загрузка через AutoModelForCausalLM отбрасывает дополнительные параметры, поэтому результат не будет соответствовать этому варианту. Модель предназначена для генерации текста и диалогов, а также для исследовательского сравнения маршрутизации между слоями, внимания и устойчивости к квантизации. Контекст составляет 4096 токенов. Репозиторий содержит веса Safetensors. Лицензия — MIT.

Kronos-small — компактная предобученная модель семейства Kronos от NeoQuasar для работы с финансовыми свечными данными. Она использует двухэтапную архитектуру: специализированный токенизатор преобразует многомерные данные OHLCV в дискретные токены, а авторегрессионный Transformer моделирует их последовательности. Модель содержит 24,7 млн параметров, использует Kronos-Tokenizer-base и имеет контекст длиной 512 токенов. Модель предназначена для прогнозирования временных рядов финансовых рынков. Она принимает исторические свечи с обязательными ценами открытия, максимума, минимума и закрытия; объём и сумма сделок необязательны. Предсказания возвращаются в виде будущих значений OHLCV и суммы сделок. Семейство Kronos обучалось на данных более чем 45 бирж и поддерживает прогнозирование цен и волатильности, а также генерацию синтетических данных; карточка этой версии выделяет прогнозирование временных рядов. Модель рассчитана на количественный анализ финансовых рынков и заявляет работу в режиме zero-shot на разных финансовых задачах. Прогнозы вероятностные и зависят от параметров выборки, поэтому их качество на конкретном активе и горизонте следует оценивать отдельно. Репозиторий распространяется под лицензией MIT.

Prot2Text-V2 — модель для предсказания функций белков, разработанная Xiao Fei и соавторами. Она принимает аминокислотную последовательность и генерирует на английском языке связное описание предполагаемой функции белка. Архитектура объединяет белковый энкодер ESM-2 (`facebook/esm2_t36_3B_UR50D`), адаптер между белковыми представлениями и языковой моделью и декодер на основе `meta-llama/Llama-3.1-8B-Instruct`. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии MIT. Модель предназначена для анализа белковых последовательностей и получения понятных текстовых описаний их функций. Сгенерированные предсказания следует рассматривать как гипотезы для последующей проверки: README не сообщает оценок качества или конкретных ограничений применения.

SPP-MT — Base (3B) — это плотная языковая модель семейства Llama, разработанная Model Raising и обученная с нуля для исследований Synthetic Persona Pretraining (SPP). В ней целевая ценностная персона вводится на этапе предварительного обучения: к части документов добавляются рефлексивные фрагменты от первого лица, сформированные на основе конституции. Архитектура имеет форму Llama 3.2 3B, используется токенизатор SmolLM2 с расширенным словарём из 49 280 токенов, а контекст составляет 2 048 токенов. Модель предназначена для продолжения текста, исследования поведения и безопасности, зондирования представлений и дальнейшего дообучения. Это базовая, не прошедшая instruction tuning модель; у неё нет шаблона чата, поэтому она не рассчитана на непосредственное следование инструкциям. Карточка описывает предварительное обучение примерно на 500 млрд токенов смеси Olmo 3 Dolma 3 и последующий этап midtraining с рефлексивными фрагментами на документах с аннотациями безопасности. Опубликованы веса промежуточных ревизий, но без состояния оптимизатора и генератора случайных чисел, поэтому точное возобновление обучения невозможно. Лицензия в карточке указана как other, а README сообщает, что её условия ещё не окончательны.

When2Think-1.5B — языковая модель, разработанная авторами проекта When2Think и дообученная с помощью RLVR на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Модель на архитектуре Qwen2 содержит 1,5 млрд параметров и генерирует текст, адаптивно выбирая, отвечать ли сразу или строить явное многошаговое рассуждение, а также сколько вычислений выделить на сложную задачу. Модель предназначена прежде всего для решения математических задач и изучения эффективного адаптивного рассуждения. В README приведены результаты на MATH-500, GSM-Plus, AIME24 и AIME25: в зависимости от задачи модель может сократить число генерируемых токенов, сохраняя или повышая точность. Она работает как самостоятельная причинная языковая модель через Transformers; отдельные маршрутизатор, проверяющая модель или оценщик для инференса не требуются. Контекст — до 131 072 токенов; в карточке указан английский язык. Модель доступна по лицензии MIT. Её компактный размер и выбор между прямым ответом и рассуждением подходят для экспериментов и применения в задачах рассуждения, однако опубликованные результаты охватывают конкретные математические бенчмарки и не гарантируют аналогичного качества на других задачах. Дообучение может изменить баланс режимов и глубину рассуждений.

BioMistral-7B — медицинская языковая модель на архитектуре Mistral, разработанная авторами проекта BioMistral при участии CNRS. Модель размером 7,1 млрд параметров создана дополнительным предварительным обучением Mistral-7B-Instruct-v0.1 на текстах открытого доступа из PubMed Central. Она предназначена для генерации текста и диалоговых сценариев в биомедицинской области, включая ответы на медицинские и биологические вопросы. Метаданные указывают поддержку девяти языков: французского, английского, немецкого, нидерландского, испанского, португальского, польского, румынского и итальянского. Заявленная длина контекста — 32 768 токенов; в таблице README для модели указана длина последовательности 2 048 токенов. В описанной авторами оценке модель сравнивалась на десяти медицинских вопросно-ответных тестах на английском языке, а также на автоматически переведённых версиях для семи других языков. Это ориентиры бенчмарков, а не гарантия качества в реальной практике. Авторы предупреждают, что модель не прошла клиническую проверку и не выровнена для безопасного принятия профессиональных медицинских решений; рекомендуют использовать её только для исследований и не развёртывать в клинических или иных профессиональных медицинских целях без тщательной проверки и адаптации. Репозиторий распространяется по лицензии Apache-2.0.

Chronos-Small Global — компактная модель временных рядов на архитектуре T5, представленная в семействе FinText. Она предварительно обучена на глобальных финансовых временных рядах за 1990–2023 годы, включающих данные об избыточной доходности, и предназначена для прогнозирования финансовых временных рядов. Модель содержит 24,1 млн параметров, использует библиотеку Transformers и распространяется в формате safetensors; максимальная длина контекста — 512 токенов. Лицензия Apache-2.0.

NaturalAntibody/human_heavy — трансформер RoBERTa для предсказания аминокислоты в заданной позиции последовательности тяжёлой цепи человеческого антитела. Модель содержит 20,2 млн параметров, принимает последовательности с маскированной позицией и предсказывает её содержимое; контекст — до 202 токенов. Модель предназначена для анализа последовательностей антител и заполнения пропущенных аминокислот. Карточка не сообщает подробностей о данных обучения или дополнительных сценариях применения. Распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

MARSHAL-Generalist-Qwen3-4B — языковая модель общего назначения из фреймворка MARSHAL, разработанного авторами проекта MARSHAL. Модель инициализирована из Qwen/Qwen3-4B и дообучена методом обучения с подкреплением через самоигру в стратегические игры, включая крестики-нолики, Kuhn Poker и Mini Hanabi. Это плотная авторегрессионная архитектура Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 40 960 токенов; репозиторий содержит веса в формате Safetensors. Модель предназначена для генерации текста и диалогов, стратегического рассуждения и применения в многоагентных системах. В описании сообщается об улучшении результатов на отложенных стратегических играх и о приросте на бенчмарках рассуждений при интеграции в такие системы. Основной язык, обозначенный в метаданных, — английский. Модель принимает и генерирует текст; метаданные также отмечают интерфейс вызова инструментов. Модель распространяется по лицензии Apache-2.0. Её специализация на стратегических играх и самоигре не гарантирует одинакового качества в произвольных прикладных задачах; приведённые результаты зависят от тестов и конфигурации многоагентной системы.

laituan245/molt5-large-smiles2caption — модель на архитектуре T5 для преобразования строк SMILES в текстовые описания молекул. Она предназначена для генерации подписи или краткого описания по заданной химической структуре и может использоваться для автоматического представления молекул на естественном языке. Модель содержит 385,2 млн параметров и распространяется в формате PyTorch. Работа относится к направлению перевода между молекулами и естественным языком, описанному Carl Edwards, Tuan Lai, Kevin Ros, Garrett Honke и Heng Ji в статье «Translation between Molecules and Natural Language». Репозиторий распространяется по лицензии Apache-2.0. Доступные сведения подтверждают генерацию текстовых описаний из SMILES; конкретные языки описаний и ограничения качества не приведены.

Nebula-S-SVMS2-3B — компактная модель генерации текста и рассуждений, выпущенная Decompute. Карточка описывает её как пакет внутренней reasoning-модели с собственными компонентами runtime; веса и конфигурация доступны в формате safetensors для запуска через Transformers. Размер 3B указан в названии модели. Модель предназначена для текстовых задач, требующих рассуждений, в том числе математических задач и ответов на вопросы. В README приведены внутренние результаты на GPQA, HMMT и GSM8K; они получены в собственных оценочных запусках и могут зависеть от настроек и методов извлечения ответа. Модель принимает текст и генерирует текст. README не сообщает поддерживаемые естественные языки и длину контекста. Происхождение и базовая модель не раскрыты. Использование разрешено только для личных, академических и некоммерческих исследований или оценки; коммерческое, производственное и клиентское применение, распространение, создание производных моделей и ряд видов коммерческой оценки запрещены. Лицензия в метаданных обозначена как other.

Nucleotide Transformer v2 100M Multi-Species — трансформерная языковая модель для анализа последовательностей ДНК, разработанная InstaDeep, NVIDIA и TUM. Модель содержит 94,4 млн параметров и обучена на геномах 850 видов, охватывающих около 174 млрд нуклеотидов. Она использует токенизацию 6-меров, вращательные позиционные эмбеддинги и Gated Linear Units; максимальная длина входа при обучении составляла 1000 токенов, контекст модели — 2050 токенов. Основная задача по метаданным — восстановление замаскированных фрагментов последовательности. Представления модели также подходят для классификации последовательностей и разметки токенов, включая задачи предсказания молекулярных фенотипов. Она предназначена для геномных исследований с видами, представленными в обучающей выборке; растения и вирусы в неё не входили. Модель работает с последовательностями ДНК и не предназначена для обычного текста. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных на тех же условиях и ограничивает коммерческое применение.

L-Qwen3-0.6B — компактная языковая модель, разработанная Insilico Medicine и Liquid AI для интерпретации данных биологии старения. Она создана полнопараметрической донастройкой Qwen/Qwen3-0.6B и использует архитектуру decoder-only transformer с инструкционной настройкой для нескольких задач. Модель предназначена для исследовательской работы с разнородными мультиомными и клиническими данными, связанными со старением, и для интерпретации биологических данных. Она работает на английском языке, имеет контекстное окно 32 768 токенов и опубликована в формате BF16. Лицензия — CC-BY-ND-4.0.

Это дообученная модель Qwen3-1.7B от автора репозитория SeanWang0027, предназначенная для управления агентом в средах ALFWorld и ScienceWorld, а также для задач с поиском SearchQA. Модель обучена методом trajectory SFT на 10 479 эпизодах, смешанных из трёх сред: в качестве примеров использовались траектории учителя Qwen3-32B. В диалоге ReAct она получает инструкции и наблюдения среды и формирует ответы с рассуждением и действием. Модель имеет плотную архитектуру Qwen3, содержит 1,7 млрд параметров и принимает текст. Максимальный контекст — 40 960 токенов. В оценке по протоколу авторов результат составил 48,50% для ALFWorld и 14,37% для ScienceWorld; оценку SearchQA приостановили после 165 эпизодов и результат не приводится. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не сообщает оценку на SearchQA и отмечает, что обучение включало неудачные эпизоды без фильтрации.

Montalte/qwen4b-math-think-taskvector — экспериментальный артефакт слияния для переноса навыков между математикой и программированием. Он основан на плотной языковой модели Qwen3-4B-Base и использует полные веса специалиста по математическим рассуждениям как task vector. Модель предназначена для генерации текста в математических задачах и экспериментов с переносом навыков между математикой и кодом. Модель содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. В карточке не описаны поддерживаемые естественные языки и результаты оценки качества. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

HuggingJin выпустил контрольную точку третьего цикла SDPO + ReSAIL — дообученную версию Qwen/Qwen3-8B для текстового управления агентом в среде ALFWorld. Метод ReSAIL дополняет итеративную самодистилляцию агента отборочной дистилляцией с балансировкой траекторий и сохранением привилегированной информации. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и рассчитана на контекст до 40 960 токенов; она принимает текст и генерирует текст.

SMOLM2Prover-GGUF — это GGUF-квантизированная версия языковой модели SMOLM2Prover, разработанная Convergent Intelligence LLC: Research Division и опубликованная пользователем reaperdoesntknow. Модель предназначена для генерации текста с акцентом на рассуждения, математические задачи, исчисление и логические доказательства; её можно запускать через llama.cpp и совместимые среды, включая Ollama и LM Studio. Базовой моделью указана prithivMLmods/SmolLM2-CoT-360M, а обучение связано с датасетом AI-MO/NuminaMath-1.5 и supervised fine-tuning. Поддерживается английский язык. Модель построена на архитектуре LlamaForCausalLM с контекстом до 8192 токенов, размерностью эмбеддингов 960, 32 слоями и grouped-query attention: 15 Q-голов и 5 KV-голов. Доступны исходный вариант F16 размером 692 МБ и версия Q4_K_M размером 258 МБ с коэффициентом 5,94 бит на вес; Q4_K_M рекомендована как компромисс между размером и качеством и уменьшает размер примерно на 63%. К преимуществам относятся небольшой размер и возможность локального запуска на совместимом оборудовании, однако README не содержит независимых оценок качества, поэтому фактическая точность в задачах доказательства и рассуждений не определена. Лицензия указана как Apache-2.0.

GENA-LM — семейство открытых фундаментальных моделей AIRI Institute для анализа последовательностей ДНК. Эта версия представляет собой BERT-подобный трансформер с 137,8 млн параметров, реализованный как модель заполнения пропусков в последовательности (masked language model) и доступный в формате PyTorch. Модель предварительно обучена на человеческой ДНК из сборки генома T2T; обучающие данные дополнены вариантами SNP из набора 1000 Genomes и gnomAD. Токенизация BPE позволяет обрабатывать около 4500 нуклеотидов в пределах контекста 512 токенов. Архитектура включает 12 слоёв, 12 голов внимания, размер скрытого состояния 768 и словарь из 32 тысяч токенов; используется Pre-Layer Normalization. Модель предназначена для предобученных представлений геномных последовательностей, заполнения замаскированных участков и последующей настройки для классификационных задач. Карточка не сообщает лицензию, поэтому условия использования следует проверить в репозитории модели.

Math-LLaVA — открытая мультимодальная языковая модель, созданная дообучением LLaVA-1.5-13B на отобранных данных MathV360K, часть которых была синтезирована с помощью GPT-4 Vision. Модель разработана для исследований мультимодального рассуждения и ответов на вопросы по изображениям, особенно в математических задачах. Модель имеет плотную архитектуру LlavaLlamaForCausalLM и около 12,9 млрд параметров. Она принимает изображения и текст, а отвечает текстом; контекст составляет 4096 токенов. Обучение проводилось на инструкционных данных MathV360K, а оценка — на трёх бенчмарках мультимодального математического и междисциплинарного рассуждения. Модель предназначена прежде всего для исследователей и энтузиастов компьютерного зрения, NLP и машинного обучения. Карточка указывает исследовательское назначение, но сама по себе эта оговорка не определяет зрелость модели: Math-LLaVA представляет собой готовый чекпойнт для практического применения и экспериментов. Условия лицензии в предоставленных данных не описаны.

ngqtrung/omr-8b-grpo-ppexplore — исследовательский чекпойнт мультимодальной модели Qwen3-VL-8B-Instruct, дообученный автором репозитория методом GRPO с визуально-математическими данными OMR (OpenMMReasoner) и исследовательским механизмом ppexplore. Модель принимает текст и изображения и предназначена для диалоговых вопросов по изображениям, математических задач и визуального рассуждения. Архитектура — плотная Qwen3-VL с 8 млрд параметров; контекст запроса в конфигурации обучения ограничивался 2048 токенами, ответа — 16384 токенами. В описанном автором тестировании чекпойнт на шаге 250 показал среднюю точность 0,714 на шести наборах проверки и превзошёл указанный базовый GRPO-чекпойнт. Эти результаты относятся к конкретному эксперименту и не гарантируют качество на других данных. Автор отмечает, что модель не предназначена для универсального чата и не настраивалась для видео; дополнительного выравнивания безопасности сверх базовой модели нет. Репозиторий распространяется по лицензии Apache-2.0.

Это кросскодер для анализа параллельных активаций Gemma 2 2B и Gemma 2 2B IT на 13-м слое. Его обучила команда science-of-finetuning на подмножестве FineWeb и LMSYS-Chat-1M. Модель предназначена для извлечения признаков из активаций этих языковых моделей и исследовательского анализа их представлений. Кросскодер принимает активации Gemma и выдаёт признаки. Файлы опубликованы в формате safetensors, лицензия — MIT. Для загрузки авторы указывают библиотеку dictionary_learning.

GPUmatLLM — специализированная языковая модель для вопросов и ответов по материалам, применяемым в GPU. Она создана дообучением Qwen2.5-7B-Instruct с помощью LoRA ранга 8 и содержит 7,1 млрд параметров. Модель использует архитектуру Qwen2 и рассчитана на контекст до 32 768 токенов. Модель предназначена для исследовательских вопросов о материалах упаковки GPU, теплоотводе, полупроводниковых подложках и материалах межсоединений. Основной язык — китайский; интерфейс запускается через Transformers, веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Ответы могут содержать фактические ошибки. Перед использованием в инженерных решениях их следует сверять с первоисточниками.

Модель cheesewafer/Llama3-8B-Instruct-sft-alfworld — плотная языковая модель семейства Llama, дообученная разработчиком cheesewafer на базе meta-llama/Meta-Llama-3.1-8B-Instruct для среды ALFWorld. Она предназначена для генерации текста и диалогового взаимодействия, в частности для выполнения задач в ALFWorld. Модель содержит 7,5 млрд параметров, принимает текст и рассчитана на контекст до 131 072 токенов. Репозиторий использует библиотеку Transformers и формат весов safetensors. Карточка не приводит подробностей о методе дообучения, обучающих данных, оценках качества или ограничениях поведения. Модель опубликована под лицензией базовой модели Meta Llama 3.1; условия использования следует сверять с лицензией базовой модели.

Plant DNA LLM — модель для анализа последовательностей ДНК растений, разработанная zhangtaolab. Она предварительно обучена на референсных геномах растений с помощью причинного языкового моделирования и основана на архитектуре Mamba; для последовательностей ДНК используется BPE-токенизатор со словарём из 8000 токенов. Вариант plant-dnamamba-BPE содержит 119,4 млн параметров. Модель предназначена для генерации продолжений ДНК-последовательностей и задач анализа геномов растений. Каталог также указывает поддержку классификации текста и токенов. Максимальная длина последовательности при обучении составляла 512 токенов. Модель распространяется по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов.

Qwen2.5-VL-7B-Surg-CholecT50 — мультимодальная модель NVIDIA для распознавания хирургических действий на кадрах лапароскопической холецистэктомии. Это дообученная версия Qwen2.5-VL-7B с архитектурой Qwen2.5-VL и примерно 7,1 млрд параметров. Модель принимает RGB-изображение эндоскопического кадра и, опционально, текстовый запрос; заявленный контекст в метаданных — до 128 000 токенов. Модель предназначена для исследовательского анализа хирургического процесса: она описывает инструменты, действия и анатомические цели по отдельным кадрам. Обучение проводилось на CholecT50, содержащем кадры операций холецистэктомии. На отдельном наборе оценки указаны F1-значения 0,81 для инструментов, 0,64 для действий и 0,60 для анатомических целей. Ответ модели — текстовое описание; по умолчанию она не выдаёт рамки объектов или карты сегментации. Качество распознавания действий и анатомических целей ниже, чем инструментов, поэтому результаты требуют проверки и адаптации под конкретные данные. NVIDIA позиционирует модель для исследований и разработки, а не как автономную систему клинических решений. Лицензия указана как other; конкретные условия следует проверить в документах репозитория.

XORTRON RESTRICTED-RESEARCH-MODEL — экспериментальная исследовательская модель проекта XORTRON Criminal Computing для изучения и оценки возможностей ИИ, связанных с преступным использованием, злоупотреблениями и другими высокорисковыми сценариями. По метаданным это плотная модель семейства Gemma 4 для генерации текста по текстовым и визуальным входам; поддерживает чат и интерфейс вызова инструментов. Модель дообучена на darkc0de/gemma-4-31B-it-updated-heretic и распространяется в формате Safetensors. Модель предназначена для исследований безопасности ИИ, красных команд, анализа угроз, правовых и политических исследований, оценки злоупотреблений и защитной работы. README предупреждает, что ответы могут быть опасными, оскорбительными, неточными или юридически неверными и требуют независимой проверки; результаты не следует считать профессиональной консультацией или достоверными выводами. Разработчик ограничивает предполагаемый доступ законными профессиональными и исследовательскими целями и запрещает использование для совершения или содействия преступлениям. Лицензия — Apache-2.0.

Chronos-1.5B — англоязычная генеративная языковая модель, представленная автором карточки как гибрид классической нейросети и квантовых методов. По README, в основе лежит WeiboAI/VibeThinker-1.5B с архитектурой Qwen2ForCausalLM; модель содержит около 1,5 млрд параметров трансформера и небольшой квантовый компонент с двумя кубитами. Карточка заявляет, что параметры квантовых схем обучались на процессоре IBM Heron r2 и включены в репозиторий, поэтому для запуска квантовое оборудование не требуется. Метаданные указывают контекст 32 768 токенов, форматы safetensors и GGUF F16, библиотеку Transformers и лицензию MIT. Модель предназначена для генерации текста и диалогов, особенно по темам квантовой механики, физики и химии, включая рассуждения о квантовых схемах, коррекции ошибок и квантовой химии. В README приведены высокие результаты на отдельных математических тестах, однако описание также отмечает экспериментальный характер квантового компонента и отсутствие подтверждённого практического преимущества. Модель сфокусирована на английском языке; качество для других языков не заявлено. Это дообучение WeiboAI/VibeThinker-1.5B, распространяемое по лицензии MIT.

HViLM-Patho — модель классификации последовательностей нуклеотидов вирусов по признаку патогенности, разработанная как часть семейства HViLM. Это полноразмерный чекпойнт, дообученный на основе duttaprat/HViLM-base на наборе HVUE-v2; в конфигурации standard_capped_1000bp модель различает непатогенные и патогенные последовательности длиной до 1000 нуклеотидов. Архитектура основана на BERT для классификации последовательностей, содержит 116,4 млн параметров и имеет контекст 512 токенов. В тесте HVUE-v2 указаны accuracy 92,39%, F1 91,32 и MCC 83,10. Модель предназначена для исследовательского анализа вирусных последовательностей и вычислительной оценки патогенности. Её метки следует рассматривать как прогноз модели, а не как экспериментальное или клиническое подтверждение. Репозиторий распространяется под лицензией Apache-2.0.