I.13Симуляция, моделирование и открытие нового

NeoQuasar/Kronos-Tokenizer-2k — специализированный токенизатор для семейства Kronos, разработанного для финансовых временных рядов в виде свечей K-line. Он преобразует многомерные непрерывные данные OHLCV в иерархические дискретные токены для подачи в авторегрессионные модели Kronos. В README для связанной модели Kronos-mini указаны 4,1 млн параметров и контекст 2048 токенов; эти характеристики относятся к модели, а не к самому токенизатору. Токенизатор входит в двухэтапную систему, предназначенную для прогнозирования ценовых рядов и волатильности, а также генерации синтетических финансовых данных. Семейство Kronos предварительно обучено на более чем 12 млрд свечей с 45 бирж; README описывает работу в zero-shot сценариях. Вход — рыночные данные OHLCV, выход токенизатора — дискретные токены. Репозиторий использует формат safetensors и библиотеку PyTorch; лицензия — MIT. Качество прогноза зависит от данных и рыночных условий, а README не приводит количественных гарантий точности.

Это экспериментальный чекпойнт LLaDA-8B-Base, дообученный в проекте dLLM Registers для рассуждений с ограниченным состоянием в диффузионных языковых моделях. Модель использует хвост из четырёх дискретных токенов Markovian-Thinking как канал переноса состояния между окнами денойзинга; обучение проводилось с размером блока 128 токенов. Чекпойнт обучен на 60 тысячах примеров из OpenMathInstruct-2 и OpenCodeInstruct. Он предназначен для генерации текста с пошаговым переносом состояния в задачах математического рассуждения и программирования. Для корректного инференса требуется учитывать параметры канала: ноль register-токенов, режим tail и длину хвоста 4. Модель построена на плотной архитектуре LLaDA и содержит 8 млрд параметров; исходная модель использует диффузионную генерацию текста. Карточка указывает английский язык и лицензию Apache-2.0. Это исследовательский чекпойнт для оценки подхода к переносу состояния; качество за пределами описанного обучения и настройки канала не установлено.

ZhenghaiXue/Qwen2.5-7B-SimpleTIR — модель на базе Qwen/Qwen2.5-7B, дообученная с использованием методов reinforcement learning на наборах данных SimpleRL-Zoo-Data и DeepScaleR-Preview-Dataset. В метаданных указана поддержка английского языка и задача reinforcement-learning; назначение SimpleTIR связано с исследовательским применением модели в сценариях обучения и оценки рассуждающих языковых моделей.

ddz16/Qwen3-VL-8B-ArrowRL — видеоязыковая модель на архитектуре Qwen3-VL, дообученная методом ArrowRL. Это базовая модель для сравнения в исследовании Learning Spatiotemporal Sensitivity in Video LLMs via Counterfactual Reinforcement Learning; репозиторий содержит веса в формате safetensors для Transformers. Модель предназначена для ответов на вопросы о видео с учётом пространственно-временной динамики: направления движения, обратимых изменений и последовательности событий. Её оценивали на DyBench, а также на наборах Video-MME, TempCompass, MVBench и TimeBlind. Карточка не сообщает лицензию, число параметров и длину контекста, поэтому эти характеристики не включены.

StockLlama-base-v1 — предварительно обученная модель прогнозирования временных рядов, разработанная на основе архитектуры Llama и дополненная специализированными эмбеддингами. Она предназначена для прогнозирования финансовых временных рядов, в частности данных фондового рынка. Архитектура модели — StockLlamaForForecasting, размер — 166,7 млн параметров, длина контекста — 2048 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0.

VFAi-X 3.5 9B Options — дообученная мультимодальная модель семейства Qwen3.5, разработанная tjarvis91 для анализа опционных сделок и биржевых графиков. Модель построена на архитектуре Qwen3_5ForConditionalGeneration и принимает текст и изображения, выдавая текстовые ответы в диалоговом режиме. В README её относят к прежней производственной линии: она предназначена для анализа текстовых торговых данных, распознавания графических паттернов и использования как компонент исследовательского или ансамблевого процесса. Для загрузки модели в README приведён пример запуска через vLLM с ограничением контекста 4096 токенов и квантизацией FP8. Репозиторий помечен как устаревшая линия, а сама модель больше не рекомендуется автором для текущего торгового инференса; актуальное приложение поставляет другой runtime. Это финансовая модель для поддержки анализа, а не гарантия результата или инвестиционная рекомендация. Лицензия — Apache-2.0.

Chronos-Small (TSFM) — Global (2022) — компактная модель временных рядов семейства Chronos, представленная в репозитории FinText. Она предварительно обучена на глобальных финансовых временных рядах, охватывающих данные об избыточной доходности за 1990–2022 годы, и предназначена для прогнозирования финансовых временных рядов. Модель основана на архитектуре T5, содержит 24,1 млн параметров и имеет контекст длиной 512 токенов. Модель можно применять для построения прогнозов на основе глобальных финансовых рядов. В репозитории указана лицензия Apache-2.0. Карточка не описывает конкретные активы, горизонт прогнозирования, метрики качества или режимы использования, поэтому эти характеристики нельзя оценить по доступным сведениям.

Migas-1.5 — модель компании Synthefy для прогнозирования временных рядов с учетом текстового контекста. Она сочетает замороженный одномерный прогнозист Chronos-2 с текстовыми сводками: сводки кодируются текстовым энкодером, а механизм gated attention объединяет их с представлением временного ряда. Итоговый прогноз формируется с помощью обучаемого смешивания базового и объединенного прогнозов. Модель предназначена прежде всего для финансовых и экономических рядов. Она принимает исторические значения временного ряда и готовые текстовые сводки либо аннотации по шагам, из которых LLM может сформировать сводки с фактическими сведениями и прогнозными сигналами. Поддерживаются сценарии ансамблирования сводок и контрфактического анализа путем изменения прогнозных сигналов. Горизонт прогноза фиксирован на 16 шагов; оценка проводилась на данных по фондовым индексам и макроэкономическим показателям. Модель распространяется под лицензией Apache-2.0.

ATOMIC-LLaVA — специализированная модель «зрение—язык» для анализа изображений просвечивающей электронной микроскопии (TEM). Разработана авторами исследования ATOMIC и дообучена в два этапа на базе LLaVA-v1.5-7B с Vicuna-v1.5-7B. В метаданных указано 6,6 млрд параметров, архитектура LLaVA на базе LLaMA и контекст 4096 токенов. Модель предназначена для ответов на вопросы об изображениях TEM и работы с научными микрофотографиями в материаловедении. Для обучения использованы TEM-фрагменты из журналов Nature Portfolio; README также сообщает о парах для выравнивания и диалогах для настройки инструкций. Модель принимает изображение и текст, выдаёт текст; в карточке заявлен английский язык. Для запуска требуется репозиторий LLaVA: напрямую загрузить модель через Transformers нельзя. Лицензия — Llama 2.

CFPO-D-Qwen2.5-VL-3B — мультимодальная модель рассуждений, разработанная на базе Qwen/Qwen2.5-VL-3B-Instruct и обученная методом CFPO-D, сочетающим CounterFactual Policy Optimization с DAPO. Модель имеет плотную архитектуру Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения вместе с текстовыми запросами; контекст — до 128 000 токенов. Модель предназначена для исследовательских экспериментов с мультимодальными рассуждениями, визуальным обоснованием ответов и обучением vision-language моделей с подкреплением. При обучении на наборе ViRL39K контрфактическое вмешательство подавляет важные визуальные признаки, чтобы поощрять зависимость ответа от визуальных свидетельств, а не только от языковых закономерностей. На выходе модель формирует текстовые рассуждения и ответ. Лицензия модели — Apache-2.0; перед распространением или коммерческим использованием данных обучения следует проверить лицензии ViRL39K и исходных материалов.

Экспериментальный чекпойнт Gemma-4-E2B-it, созданный анонимной командой авторов подачи на ICLR 2027. Модель дообучена методом GRPO на задачах Reasoning Gym; обучение использовало бюджет генерации до 1 024 токенов и поощряло ответы, укладывающиеся в этот лимит. Чекпойнт соответствует шагу 300 запуска petbadger и сохранён в формате Safetensors для библиотеки Transformers. Модель предназначена для решения задач на рассуждение из набора Reasoning Gym с ограниченным объёмом генерации. Базовая Gemma 4 E2B IT — мультимодальная модель Google DeepMind для диалогов, рассуждений, программирования и анализа текста, изображений и аудио; сведения о фактических модальностях этого дообученного чекпойнта в карточке ограничены. Репозиторий содержит веса дообучения базовой модели и распространяется по лицензии Apache-2.0. Это ранний экспериментальный чекпойнт, а не подтверждённая финальная версия.

Карточка модели jeckmy/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

PeiYangMe-0.8 是天津大学开发的面向计算催化的文本生成模型，重点用于丙烷脱氢（PDH）过程。模型基于 01.AI 的 Yi-6B 系列微调，仓库元数据显示其架构为稠密 Llama 类因果语言模型，参数量为 5.8B，使用 Transformers 和 safetensors，原生上下文长度为 4096 个 token。卡片提到的训练基础包括 Yi-6B、Yi-6B-Chat、Yi-1.5-6B 和 Yi-1.5-6B-Chat； метаданные связывают репозиторий с 01-ai/Yi-6B. Модель предназначена для задач вычислительного катализа, в частности для поддержки работы с процессом дегидрирования пропана. Её можно применять для генерации текстовых ответов и материалов в этой предметной области. Карточка указывает английский и китайский языки. Лицензия — Apache-2.0. Подробные технические спецификации и показатели качества авторы обещают представить после публикации исследования; проверяемых сравнительных результатов в карточке нет.

DeepScaleR-1.5B-Preview — языковая модель на 1,5 млрд параметров, разработанная Agentica и дообученная методом распределённого обучения с подкреплением на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена прежде всего для решения математических задач и генерации рассуждений; обучение включало задачи AIME, AMC, Omni-MATH и Still. По данным авторов, точность Pass@1 на AIME 2024 составила 43,1%, что выше указанного результата базовой модели — 28,8%. Модель использует плотную архитектуру Qwen2, поддерживает контекст до 131 072 токенов и доступна в формате safetensors для Transformers. Модель принимает текст и генерирует текст. В README описано обучение с контекстами 8K, 16K и 24K токенов; метаданные указывают максимальный контекст 131 072 токена. Она рассчитана на англоязычные математические задачи, а результаты и описание не подтверждают такое же качество для других языков или широкого круга задач. Лицензия — MIT.

GPT-OSS-20B-Dense-4B-SF-K4 — плотная языковая модель, полученная из MoE-модели openai/gpt-oss-20b с помощью pruning и дистилляции. Модель выпущена как исследовательский артефакт для воспроизведения экспериментов статьи о преобразовании Mixture-of-Experts в плотные языковые модели; использовались 0,3 млрд токенов FineWeb-Edu. Веса опубликованы в формате safetensors, лицензия — Apache-2.0. Модель предназначена для сравнения методов оценки и группировки экспертов на ограниченном бюджете обучения, а не для использования в качестве готового чат-ассистента. Она поддерживает генерацию текста и имеет контекстное окно 131 072 токена. Инструкционное дообучение и выравнивание поведения не проводились; авторы отмечают, что качество заметно ниже, чем у модели-учителя и предварительно обученных моделей сопоставимого размера.

Dr. Doom — исследовательская модель генерации текста, разработанная open-athena как полноразмерное дообучение BF16 модели Grug-67B-A2B-Datakit-SFT-262K-2026.09.21 методом FTPO. Она предназначена для сокращения точных повторяющихся циклов в ответах, особенно в математических продолжениях. В оценке на 512 математических запросах доля обнаруженных циклов снизилась с 27,15% до 2,34%, а число правильных ответов выросло с 232 до 283; отдельная проверка на 100 междисциплинарных запросах выявила циклы в 19 ответах. Модель использует архитектуру Grug MoE и выдаёт текст. Для неё унаследована конфигурация контекста на 262 144 токена, но качество на такой длине не проверено. Модель не проходила комплексную оценку и не валидирована для производственного применения; проверки ограничены отдельными короткими входами и доменами. Детектор оценки учитывает повторение не менее восьми точных копий шаблона в конце сегмента ответа, поэтому может пропускать нерегулярные и смысловые повторы и отмечать намеренные повторы. Лицензия — openmdw-1.1.

Карточка модели PeachyVibes/Kronos-base на Hugging Face совпадает с карточкой NeoQuasar/Kronos-Tokenizer-base, поэтому описание составлено по ней. NeoQuasar/Kronos-Tokenizer-base — специализированный токенизатор из семейства Kronos для преобразования финансовых свечных данных K-line в дискретные токены. Он квантует многомерные OHLCV-данные, сохраняя сведения о динамике цены и торговой активности, чтобы их можно было подавать в авторегрессионные модели Kronos. Токенизатор обучен в рамках проекта, основанного на данных более чем 12 миллиардов свечей с 45 бирж; формат весов — safetensors, лицензия — MIT. Компонент предназначен для подготовки исторических рыночных рядов для прогнозирования цены и волатильности, а также генерации синтетических финансовых данных в связке с моделью Kronos. В README для связанной модели Kronos-small указаны контекст 512 токенов и 24,7 млн параметров, а для Kronos-base — 512 токенов и 102,3 млн параметров; эти размеры относятся к языковым моделям семейства, а не к самому токенизатору. Токенизатор принимает числовые временные ряды свечей и выдаёт дискретные токены. Результат зависит от базовой прогнозной модели и качества исходных рыночных данных; финансовые прогнозы не гарантируют точности.

gxcsoccer/kronos-mlx-base — порт модели NeoQuasar/Kronos-base для библиотеки MLX, разработанный gxcsoccer для запуска на Apple Silicon. Это вариант Kronos с 102 млн параметров: Transformer с 12 слоями и размерностью скрытого состояния 832, обученный для прогнозирования финансовых временных рядов. Для работы модель используют вместе с токенизатором gxcsoccer/kronos-mlx-tokenizer-base; максимальный контекст составляет 512 шагов. Модель предназначена для прогнозирования финансовых временных рядов, в том числе свечных данных и волатильности. Базовая модель также описана как средство генерации синтетических рыночных данных, однако карточка этого порта не подтверждает отдельно поддержку такой задачи. Репозиторий распространяет веса в формате safetensors и использует библиотеку kronos-mlx. Лицензия — MIT.

MatSciBERT — предварительно обученная языковая модель на архитектуре BERT, разработанная авторами исследования о языковых моделях для материаловедения. Модель содержит 137,1 млн параметров и обучена на аннотациях и полных текстах научных статей о материалах, включая сплавы, стёкла, металлические стёкла, цемент и бетон. Модель предназначена для извлечения информации и анализа текстов по материаловедению, а также может служить основой для дообучения на профильных задачах. В Hugging Face она представлена как модель заполнения маски: принимает текст с замаскированным токеном и предсказывает его содержимое. Поддерживает английский язык, имеет контекстное окно до 512 токенов и доступна в форматах PyTorch и Safetensors. Лицензия MIT разрешает свободное использование и модификацию с соблюдением её условий. Модель специализирована на научных текстах о материалах, поэтому её возможности за пределами этой области не подтверждены; доступная карточка не приводит оценок качества на отдельных задачах.

MechBERT-cased — модель семейства BERT, разработанная Cambridge Molecular Engineering и предварительно обученная на статьях с данными о механических свойствах материалов из литературы по кривым напряжение–деформация. Она предназначена для работы с научными текстами по механике материалов; архитектура модели — BertForMaskedLM, размер — 135,5 млн параметров, максимальная длина контекста — 512 токенов. Модель инициализирована весами BERT-base-cased и обучена на корпусе CambridgeMolecularEngineering/StressEngineeringLiterature. Поддерживает задачу заполнения пропусков в тексте. Лицензия — GPL-3.0.

Meditron7b-smiles2caption-LPM24 — языковая модель семейства Llama с 6,6 млрд параметров, опубликованная организацией Language Plus Molecules. Она предназначена для генерации текста; название репозитория указывает на сценарий преобразования SMILES в текстовое описание молекулы, однако README не раскрывает формат входных данных или качество выполнения этой задачи. Модель использует архитектуру LlamaForCausalLM, библиотеку Transformers и веса safetensors; родная длина контекста — 2048 токенов. Модель создана на базе Meditron 7B, но сведения о способе и данных дообучения в карточке отсутствуют. Лицензия и языки поддержки не указаны в доступных метаданных и README. Использовать её следует с учётом ограниченного контекста и проверки точности сгенерированных описаний молекул.

violetxi выпустила дообученную методом полного SFT модель Qwen3.5-9B для задач эквациональной теории в рамках SAIR. Это плотная мультимодальная модель на 9 млрд параметров с архитектурой Qwen3_5ForConditionalGeneration; в репозитории представлены полные веса BF16 в формате safetensors, токенизатор, шаблон чата и файлы процессора. Модель основана на Qwen/Qwen3.5-9B, а веса зрения и MTP унаследованы от базовой модели. Модель предназначена для ответа на вопросы по эквациональной теории и создания доказательств или контрпримеров. В обучении использована смесь заметок R0–R3 и примеров диалогов с условием на заметки. В опубликованной оценке точность бинарных ответов на этапе 1 составила 46,97% при лимите 16K токенов и 67,31% при 24K; оценка валидности доказательств и контрпримеров на этапе 2 — около 20%. Для генерации авторы использовали контекст 32 768 токенов. Указана лицензия Apache-2.0. Оценка доказательств проверялась судьёй GPT-5.6-sol, а не Lean, поэтому результаты не подтверждают формальную корректность доказательств. Показатели приведены для конкретного набора вопросов и настроек генерации и не гарантируют аналогичного качества в других сценариях. Для запуска требуется версия Transformers или vLLM с поддержкой Qwen3.5.

SAEVerbalizer-27B — модель THU-KEG, дообученная на основе Google Gemma 3 27B IT для создания естественно-языковых объяснений признаков разреженного автоэнкодера (SAE). Она преобразует внедрённые направления декодера SAE в скрытое представление модели в текстовые описания признаков. Модель рассчитана на исследования интерпретируемости нейросетей и анализ представлений языковых моделей. Чекпойнт содержит полные веса Transformers и обучен на 48 тысячах пар. Для вывода необходимо использовать официальный inference pipeline: он внедряет соответствующее направление SAE в residual stream на слое 16 перед генерацией. Требуется совместимый SAE из набора Gemma Scope: слой 16, ширина 262k, вариант l0_medium. Лицензия — Gemma.

Это разреженный автоэнкодер (SAE) Prisma-Multimodal для анализа активаций CLIP ViT-B/32 на выходе MLP-слоя 2. Он принимает признаки размерности 768 и преобразует их в разреженное представление размерности 49 152 с коэффициентом расширения x64 и активацией ReLU. Модель предназначена для извлечения и исследования признаков в задачах механистической интерпретируемости. В карточке указаны контекст в 50 токенов, коэффициент L1 8e-05, средняя разреженность L0 около 390 и объяснённая дисперсия 85%. Веса доступны в формате PyTorch по лицензии Apache-2.0. Карточка не описывает процедуру применения SAE к изображениям или тексту; модель работает с активациями базовой CLIP-модели.

TEM-LLM — мультимодальная языковая модель для анализа изображений просвечивающей электронной микроскопии (TEM), разработанная на базе LLaVA-v1.5-7B и дообученная с помощью четырёхэтапного обучения с учётом сложности примеров. Для обучения использовано около 216 тысяч пар вопрос–ответ по 40 тысячам изображений TEM. Модель принимает изображение и текстовый вопрос и формирует текстовый ответ; размер составляет 6,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для классификации режимов съёмки CTEM, HRTEM, STEM и дифракции, обнаружения и подсчёта наночастиц и границ зёрен, интерпретации микроструктурных особенностей и составления описаний изображений. Она специализирована на материаловедении и научном анализе TEM-снимков. Для инференса требуется репозиторий LLaVA: напрямую загрузить модель через Transformers нельзя. Ответы дают приблизительные качественные описания, а не точные количественные измерения; на изображениях и вопросах вне целевой области результаты могут быть ненадёжными. Лицензия — Llama 2.

NANI-Nithin/TwIL-LM3-GGUF — набор GGUF-квантизаций модели TwIL-LM3, разработанной webAI-Official на основе HuggingFaceTB/SmolLM3-3B. Это декодерная модель архитектуры SmolLM3 с 3,08 млрд параметров, 36 слоями, размером скрытого состояния 2048 и словарём из 128 256 токенов. Модель поддерживает контекст до 65 536 токенов, ориентирована на английский язык и использует формат рассуждений с блоком <think> перед ответом. Модель специализирована для задач формальной логики: перевода в логику первого порядка, определения следования, противоречия и нейтральности, семантического разбора, формализации утверждений и критики доказательств в Lean, а также индукции правил и процедурного рассуждения. Она предназначена для локального запуска через llama.cpp и совместимые среды, включая Ollama и llama-cpp-python, а не для общего диалогового использования. Рекомендуется жадное декодирование и большой лимит генерации, поскольку сокращение блока рассуждений может заметно ухудшить точность. К сильным сторонам относятся специализация на формально-логических задачах, структурированные ответы и улучшение показателей относительно базовой SmolLM3-3B на профильных и отложенных наборах данных. К ограничениям относятся узкая предметная направленность, некоторое ухудшение следования инструкциям и возможное снижение качества при сильном квантовании, особенно в форматах Q2 и Q3. Опубликованные показатели относятся к исходным весам BF16 и не гарантируют тех же результатов для GGUF-квантизаций. Доступ предоставляется по лицензии webAI Non-Commercial License v1.0; базовая модель SmolLM3 имеет лицензию Apache 2.0.

Where is Shakespeare? Final D — это плотная авторегрессионная модель семейства Qwen3 с 507,9 млн параметров, разработанная для исследований извлечения фактов из контекста и выполнения формальных программ поиска. Модель дообучена на базе Qwen/Qwen3-0.6B-Base на синтетических мирах с фактами и цепочками запросов; её контекстное окно составляет 32 768 токенов. Она принимает текстовые промпты и генерирует текстовые трассы выполнения, не требуя шаблона чата или удалённого кода. Модель подходит для изучения многошагового поиска по фактам, управления последовательностью операций и механизмов преждевременной остановки в трансформерах. В архивной оценке точность на глубинах обучения 1–10 составила 96,8%, а на глубинах 11–16 — 13,3%; результаты относятся к одному чекпойнту и заданным тестовым наборам. Это исследовательская модель формальных задач, а не универсальный диалоговый помощник или надёжный автономный исполнитель. Пакет опубликован по лицензии Apache-2.0 с сохранением условий upstream-модели Qwen.

AION-large — модель polymathic-ai для анализа астрономических данных обзоров неба. Она предназначена для адаптации к различным задачам астрономии с помощью мультимодального маскированного моделирования; в карточке указаны данные Legacy Survey, HSC, SDSS, DESI и Gaia. Модель построена на архитектуре Transformer типа encoder-decoder: 24 блока в кодировщике и декодировщике, размерность 1024 и 16 голов внимания. Она работает с 39 типами астрономических данных, включая изображения, спектры, каталоги, фотометрию, параллакс и параметры формы объектов. В README размер указан как 800 млн параметров в кратком описании и 300 млн в разделе характеристик, поэтому точный размер неясен. Модель рассчитана на специализированное применение в астрономии и не является универсальным генератором текста. Лицензия — MIT. Подробные результаты оценки качества и ограничения по конкретным задачам в карточке не приведены.

analogllm/analog_model — специализированная текстовая модель для знаний об аналоговых электрических схемах, разработанная на основе Qwen2.5-32B-Instruct и дообученная на текстовом наборе вопросов и ответов, извлечённых из профильных учебников методом дистилляции знаний. Это плотная 32-миллиардная модель семейства Qwen2, рассчитанная на генерацию текста и диалоговое взаимодействие; контекст — до 32 768 токенов. В тесте AMSBench-TQA она показала точность 85,04%, что на 15,67 процентного пункта выше результата исходной модели. Модель подходит для ответов на вопросы по аналоговым схемам и для справочной поддержки при изучении соответствующей инженерной тематики. Она специализирована: в других областях её применимость может быть ограничена, а по новым или слабо представленным в обучении темам возможны ошибки и бессвязные ответы. В метаданных указана лицензия other; конкретные условия использования следует сверить с карточкой модели.

ATOMIC-Gemma — специализированная зрительно-языковая модель для работы с изображениями просвечивающей электронной микроскопии (TEM), разработанная авторами проекта ATOMIC. Модель дообучена методом instruction tuning второго этапа на базе Google Gemma 3 4B IT; для обучения использовано 60 тысяч диалогов по TEM. Модель предназначена для диалога и ответов на вопросы по микроскопическим изображениям, в том числе для научных сценариев в материаловедении. Она принимает изображения и текстовые запросы и формирует текстовые ответы. В карточке указана лицензия Gemma. README отмечает, что модель создана после срока подачи статьи ECCV 2026 и не входит в опубликованную работу; она служит демонстрацией переноса обучающего конвейера ATOMIC на другую архитектуру.