I.13Симуляция, моделирование и открытие нового

iblub/ppo-Huggy — обученный агент, созданный с помощью библиотеки Unity ML-Agents. Он использует алгоритм Proximal Policy Optimization (PPO), чтобы играть в среде Huggy; модель можно запускать для наблюдения за поведением агента или использовать для продолжения обучения через ML-Agents. Репозиторий содержит модель в формате ONNX. Карточка описывает специализированный чекпойнт для игрового сценария, а не универсальную языковую модель. Указаний о лицензии, размере модели и других поддерживаемых средах в доступных данных нет.

Pythia-14M-deduped — небольшая авторегрессионная языковая модель на архитектуре GPT-NeoX, разработанная EleutherAI для исследований поведения, возможностей и ограничений языковых моделей. Она предсказывает следующий токен по входному тексту и обучена на дедуплицированной англоязычной версии набора The Pile. Модель имеет 6 слоёв, размерность 128 и 4 головы внимания; контекст — до 2048 токенов. Модель предназначена прежде всего для контролируемых экспериментов, в том числе анализа обучения по множеству доступных чекпойнтов и интерпретируемости. Она поддерживает генерацию текста на английском языке, но не проходила настройку для следования инструкциям, диалоговых продуктов или прикладных сценариев. Выходы могут быть недостоверными, оскорбительными или предвзятыми, поэтому модель не подходит для взаимодействия с пользователями без отдельной оценки и контроля. Лицензия — Apache 2.0.

Это исследовательский чекпойнт на базе Llama 3.2 1B Instruct, разработанный в рамках коллекции Illusion of LLM Unlearning. Он получен из модели open-unlearning/unlearn_tofu_Llama-3.2-1B-Instruct_forget10_AltPO_lr1e-05_beta0.1_alpha1_epoch10 после 300 шагов обычного supervised fine-tuning на наборе фактов TOFU forget10_perturbed, которые исходная модель обучалась забывать. Модель предназначена для изучения того, насколько легко восстановить забытые сведения и как оценивать методы машинного забывания. Чекпойнт использует плотную архитектуру LlamaForCausalLM, содержит 1,2 млрд параметров и принимает текст для генерации текста; заявленная длина контекста — 131 072 токена. В описанном эксперименте вероятность дословного ответа на наборе забытых фактов возросла, а доля случаев, когда верный факт занимал первое место среди шести вариантов, достигла 0,690. Данные TOFU описывают вымышленных авторов, поэтому модель не предназначена для достоверных ответов о реальных людях или для развёртывания. Модель распространяется в формате safetensors по лицензии MIT. README не уточняет поддерживаемые естественные языки.

Это обученный методом PPO агент Praga-6000 для игры SnowballTarget, созданный с использованием Unity ML-Agents. Модель предназначена для управления игровым агентом в этой среде: её можно запускать для наблюдения за игровым поведением или использовать как основу для продолжения обучения через ML-Agents. В репозитории представлены веса в формате ONNX. Модель специализирована на одной игровой среде и не предназначена для диалога или обработки естественного языка. README не раскрывает размер сети, входные и выходные тензоры или игровые наблюдения и действия агента. Условия лицензирования в доступных материалах не описаны.

softmax-209m-16k-nope-1x-s2357 — исследовательская языковая модель на 209 млн параметров из выпуска DilutionAttention. Это базовая модель с обычным softmax-вниманием во всех слоях; в ней нет позиционного кодирования. Архитектура включает 24 слоя, ширину 768, 12 голов внимания, SwiGLU, связанные эмбеддинги и словарь GPT-2. Модель обучалась на контексте 16 384 токена на корпусе FineWeb-Edu; карточка указывает лицензию Apache-2.0. Модель предназначена для изучения оператора внимания и экспериментов с продолжением текста, а не для диалога с пользователем. Она не проходила инструкционную или safety-настройку. В карточке приведены validation loss 3,2907 и низкие результаты извлечения ключевых слов по NIAH: 0,17 при 16 000 токенов и 0,14 при 24 000 токенов; этот тест не измеряет рассуждение на длинном контексте. README также сообщает о скачках градиента около шага 13 400, после которых качество обучения не восстановилось, поэтому чекпойнт следует рассматривать как экспериментальный контроль, а не как надёжную модель для прикладных задач.

Whittle-Next MoE test — экспериментальная MoE-версия Qwen3.8-Whittle-tri-14.7B от logic65, полученная преобразованием плотной модели в разреженную архитектуру с 240 экспертами. Веса экспертов не переобучались: изменены распределение нейронов по экспертам и маршрутизатор, после чего проведён короткий этап выравнивания назначений. Модель использует архитектуру Qwen3_5MoeForCausalLM, загружается через стандартный Transformers без пользовательского кода. Всего в ней 11,8 млрд параметров; для справочного варианта k=58 активны примерно 33% экспертов, а нативный контекст составляет 262 144 токена. Модель предназначена для воспроизведения и развития метода преобразования плотной модели в MoE, а также для исследовательских экспериментов с маршрутизацией и разреженностью при генерации текста. Это базовая языковая модель без инструкционного дообучения, настройки диалогового поведения и работы над безопасностью. В тестах она часто зацикливается и отвечает слишком кратко; автор прямо не рекомендует применять её в качестве ассистента или в production. Лицензия — Apache-2.0.

i3-tiny — компактная символьная языковая модель на архитектуре i3, предназначенная для экспериментов с генерацией текста и изучения того, как небольшие модели усваивают последовательности символов. В карточке не указан разработчик. Модель предсказывает следующий символ и содержит 711 106 параметров; для обучения заявлено потребление менее 1 ГБ оперативной памяти. Используются Transformers, PyTorch и формат Safetensors. Модель подходит для учебных экспериментов, творческой генерации и тестирования обучения на ограниченных ресурсах. Она экспериментальная: результаты могут быть частично читаемыми или искаженными, а сама модель не выровнена и не предназначена для проверки фактов или производственного применения. Заявленная лицензия — Apache-2.0.

CVDGaurd — мультимодальная модель Sharktide для оценки риска внебольничной остановки сердца (OHCA) по физиологическим сигналам и клиническим данным. Это плотная нейросетевая архитектура TFCVDPredictorForOHCADetection на TensorFlow/Keras с механизмами cross-attention; модель классифицирует риск события. Для работы нужны библиотека CVDPredict, Transformers и TensorFlow. На вход подаются примерно 185 секунд временных рядов, включая ЭКГ, фотоплетизмограмму, сигналы акселерометра и гироскопа, а также клинические табличные признаки: демография, лекарства, сопутствующие заболевания, лабораторные показатели и жизненные параметры. Модель предназначена для мониторинга сердечно-сосудистого риска и ранней оценки вероятности OHCA. В README приведены метрики AUROC 0,932 и AUPRC 0,892 на валидационной когорте из 196 наблюдений; эти результаты не подтверждают клиническую пригодность в иных условиях. Модель опубликована по лицензии Apache-2.0. Для загрузки используется пользовательский код из репозитория Hugging Face с trust_remote_code=True; перед развертыванием следует проверять закреплённую версию репозитория. Результаты ограничены описанной в карточке валидационной выборкой, а модель чувствительна к аномалиям и морфологическим вариациям исходных физиологических сигналов.

RR v2 — политика управления игроком для Rainbow Road в Mario Kart Wii на мотоциклах класса 150cc. Модель использует плотную рекуррентную архитектуру rr_player_recurrent_bc и работает через PyTorch; репозиторий содержит веса в формате safetensors. README описывает четыре независимых локальных гоночных профиля, которые соревнуются друг с другом и с обычными CPU-гонщиками. Модель предназначена для управления гонщиками в гонках Mario Kart Wii. Веса отвечают за вождение, а использование предметов обрабатывает отдельный эвристический контроллер: он включает защиту сзади, реакцию на POW и условный SSMT после удара; использование предметов не обучалось PPO. Для запуска требуются настроенная среда kart-env/Dolphin и совместимый исходный код runtime; одних весов недостаточно для обновления старого бота. В описанной оценке четыре локальных гонщика завершили 376 из 384 заездов, однако результат относится к составу из четырёх профилей и включает эвристический контроллер предметов. Лицензия в предоставленных данных не указана.

Fock-G1 — языковая модель Semantic Simulation SPLM, разработанная как исследовательская абляция Fock-PARFLM v2.1. Она использует архитектуру FockG1MultiXiPARFLM: нелинейный трансформер-независимый подход с консервативным скалярным потенциалом Vθ, гауссовыми компонентами и связями между регистрами Фока. В отличие от связанного варианта второго порядка, Fock-G1 обнуляет межслойную память скорости и выполняет обновления первого порядка; реализация основана на PyTorch. Модель обучена на англоязычном наборе TinyStories и предназначена для генерации коротких историй в маломасштабных экспериментах, а также для изучения влияния порядка динамики на обучение и потенциалы модели. В README приведён результат 8,95 perplexity на валидации, однако сравнение основано на одном обучающем запуске и не подтверждает преимущество за пределами этого эксперимента. Это исследовательский контрольный чекпойнт, не предназначенный для универсальной генерации текста: обучение охватывало только синтетические детские истории, масштабирование не проверено, а мультиязычная способность отсутствует. Модель не проходила обучение безопасности. Лицензия — CC BY 4.0.

Mr. Pong — агент обучения с подкреплением для игры в настольный теннис, опубликованный пользователем fromziro. Модель использует плотную нейросеть типа MLP с общей частью Actor-Critic: она обрабатывает 16-мерное векторное наблюдение и выбирает одно из трёх действий — оставаться на месте, двигаться вверх или вниз. В README указаны скрытый размер 160 и три слоя; описание архитектуры также упоминает два скрытых слоя по 192 нейрона, поэтому эти сведения расходятся. Агент предназначен для управления ракеткой в 2D-игре в пинг-понг. Его обучали против логических соперников разной сложности, алгоритмов minimax, случайного агента и собственных прошлых и текущих версий. В README заявлен уровень игры гроссмейстера, но результаты оценки не приведены. Модель принимает числовые наблюдения состояния и выдаёт решение о действии; это специализированный игровой агент, а не языковая модель. Лицензия — Apache-2.0.

kshitijthakkar/deepseek-v4-mini-3B-init — случайно инициализированная маломасштабная реплика архитектуры DeepSeek-V4, созданная для экспериментов с архитектурой и переноса весов. Автор позиционирует её как обучаемый на арендованных GPU каркас, размеры которого согласованы с DeepSeek-V4-Flash для переноса весов; несмотря на обозначение 3B, в метаданных указано 1,1 млрд параметров. Модель использует плотную архитектуру DeepseekV4ForCausalLM и библиотеку Transformers. В README перечислены mHC, CSA с Lightning Indexer, HCA, скользящее окно внимания, Shared-KV MQA, DeepseekMoE, SwiGLU, MTP и YaRN; заявленная длина контекста — 1 048 576 токенов. Модель принимает текст и генерирует текст, однако её случайные веса дают шум, поэтому она не предназначена для полезных ответов или обычного применения. Основные сценарии — исследования архитектуры, абляционные эксперименты и поиск гиперпараметров, а также перенос или нарезка весов из V4-Pro/V4-Flash. Веса опубликованы в формате safetensors. Лицензия — MIT.

Stoicheia-restoration-test3 — модель для восстановления повреждённых надписей и папирусов на древнегреческом языке. Это символьный masked-diffusion энкодер на 405 млн параметров, дообученный на базе Stoicheia-doc_clean; в серии из десяти чекпойнтов эта версия не обучалась на документах, идентификаторы PHI/TM которых оканчиваются на цифру 3. Архитектура использует 32 слоя и чередует локальное внимание в окне 256 символов с глобальным вниманием. Модель принимает текст с пропусками известной длины, обозначенными дефисами, или с пропусками неопределённой длины, заданными диапазоном [N±M]. Входные данные представлены пятью синхронизированными уровнями: символы, границы слов и предложений, диакритика, регистр и пунктуация; каждый уровень можно маскировать отдельно. Это позволяет работать с отредактированным текстом, scriptio continua и лакунами. Выпуск сопровождает научную статью, находящуюся на рецензировании. Модель распространяется по лицензии Apache-2.0. Она специализирована на документальной реставрации древнегреческих текстов и не предназначена для общих языковых задач; её предсказания следует рассматривать как предложения для проверки специалистом.

Это экспериментальный чекпойнт GPT-2 от evalstate, обученный с нуля для изучения запоминания данных языковыми моделями. Модель содержит 7 916 160 параметров и использует словарь из 2049 токенов: 2048 токенов случайных данных и BOS. Она обучалась на последовательностях длиной 64; нативный контекст — 80 токенов. Чекпойнт представляет запуск на границе насыщения ёмкости в исследовательском воспроизведении работы «How much do language models memorize?». В README сообщается, что модель запомнила 14 622 163 бита данных, или 1,847 бита на параметр. Она предназначена для анализа запоминания на малом масштабе, а не для обычной генерации естественного языка. Авторы характеризуют результаты как предварительную проверку на малом масштабе, не как универсальный закон масштабирования. Модель принимает текстовые токены и генерирует продолжения. README описывает обучение на равномерно случайных токенах, поэтому она не предназначена для содержательных ответов на естественном языке. Используется библиотека Transformers, веса представлены в формате Safetensors; лицензия — MIT.

CMA-1M Mini — экспериментальная базовая авторегрессионная языковая модель User01110 с архитектурой CMA (Channel-Mixing Attention), предназначенная для изучения смешивания каналов внимания на очень малом масштабе. Это декодерная плотная модель примерно с 959 тысячами параметров, шестью слоями и шириной скрытого представления 128; она использует причинное групповое внимание, байтовую токенизацию и окно контекста в 2 048 байтовых токенов. Модель продолжает обычный текст и подходит для контролируемых архитектурных экспериментов, обучения и сравнений компактных языковых моделей. Это предварительно обученная базовая модель, а не чат- или инструкционная система. Обучение проводилось преимущественно на англоязычных текстовых корпусах; байтовый токенизатор способен представить текст на других языках, но это не означает хорошего качества на них. README прямо предупреждает, что генерации ненадёжны, часто несвязны и не должны считаться фактами или использоваться для реальных решений. Модель не настроена для диалога, следования инструкциям, работы с инструментами или безопасности. Для генерации на длинном контексте она пересчитывает активный контекст без KV-кэша, что замедляет работу. Веса представлены в BF16 и формате safetensors; для загрузки через Transformers требуется пользовательский код из репозитория и параметр trust_remote_code=True. Лицензия в предоставленных данных не указана.

QuadConnect2.5-0.5B-v0.0.9b — языковая модель Lyte для игры в «Четыре в ряд», дообученная методом GRPO на базе Qwen 2.5 с 0,5 млрд параметров. Она предназначена для выбора ходов в игре и экспериментов со стратегиями игрового агента. Модель принимает текст и выдаёт текст; в метаданных заявлено контекстное окно 32 768 токенов. Карточка указывает английский язык, датасет Lyte/ConnectFour-T10 и интерфейс чата. Версия обозначена как ранний эксперимент: функция вознаграждения продолжает изменяться. На валидации Lyte/ConnectFour-T10 точность версии 0.0.9b составила 10,15% при температуре 0,6, 14,03% при 0,8 и 13,32% при 1,0, поэтому качество выбора ходов ограничено. Для модели доступны веса safetensors и вариант GGUF Q8_0. Сведения о лицензии в предоставленных данных отсутствуют.

jtatman/sciphi-micro — экспериментальная уменьшенная модель семейства Mistral, созданная из SciPhi/SciPhi-Self-RAG-Mistral-7B-32k с помощью среза параметров через mergekit. По метаданным, модель содержит 63,2 млн параметров, использует архитектуру MistralForCausalLM и формат safetensors; длина контекста составляет 32 768 токенов. README указывает, что сокращённая модель предназначена для анализа слоёв и последующего обучения на приближённых к исходным датасетах SciPhi. Модель служит экспериментом по изучению того, какую информацию исходных весов удаётся сохранить при сильном уменьшении модели. Автор предупреждает, что в текущем виде она генерирует бессмысленный текст и почти не даёт полезных ответов, поэтому не подходит для прикладной генерации. Лицензия — Apache-2.0.

Finnegans Fake — BPE-4096 — это небольшая авторегрессионная языковая модель на архитектуре GPT-2, обученная разработчиком на полном тексте романа Джеймса Джойса «Поминки по Финнегану». Она предназначена для эксперимента: изучить, что может породить модель, видевшая только одну книгу, включая попытки создавать новые слова в духе Джойса. Модель имеет 12,3 млн параметров, 6 слоёв и 6 голов внимания; её байтовый BPE-токенизатор использует словарь из 4096 токенов. Контекст ограничен 256 токенами. Модель принимает текст и генерирует продолжение; обучение проводилось только на англоязычном литературном произведении, поэтому её нельзя считать универсальной англоязычной моделью. Автор прямо предупреждает, что модель не предназначена для практического использования и качество генерации низкое. В карточке также описаны особенность токенизатора, добавляющего ведущий пробел при декодировании, и исправленная ошибка в целевой функции обучения. Код опубликован под лицензией CC0-1.0; условия распространения весов отдельно не уточнены.

ExoMind — агентная модель для научных рассуждений и исследований, разработанная командой ExoMind из Shanghai Artificial Intelligence Laboratory. Это дообученная на Qwen/Qwen3.5-35B-A3B мультимодальная модель семейства Qwen3.5-MoE с поддержкой изображений, диалога и интерфейса вызова инструментов. Основные сценарии — ответы на научные вопросы, поиск и сопоставление источников, обоснование выводов доказательствами, математические и вычислительные рассуждения, а также проверка решений с помощью кода. Система объединяет языковую модель, инструменты взаимодействия с источниками и автономные процессы работы с результатами. В README указан контекст до 262 144 токенов. По заявлению разработчиков, модель показала средний результат 68,3 на восьми научных бенчмарках в описанной ими схеме оценки. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0.

Qwen-AgentWorld-35B-A3B — языковая модель мира, разработанная командой Qwen для симуляции сред, в которых действуют агенты. Получая действие агента и историю взаимодействий, модель рассуждает о переходе состояния и предсказывает следующее наблюдение. Она предназначена для моделирования как текстовых, так и графических интерфейсных сценариев в семи областях: вызов инструментов через MCP, поиск, терминал, разработка ПО, Android, веб и операционные системы. Модель основана на Qwen3.5-35B-A3B-Base и дообучена в три этапа: продолженное предварительное обучение, обучение с учителем и обучение с подкреплением. Это причинная языковая модель с архитектурой MoE: 35 млрд параметров всего, из них активируется 3 млрд; контекст — 262 144 токена. Веса в формате Safetensors совместимы с Transformers и могут обслуживаться через vLLM или SGLang. Для оптимальной симуляции README рекомендует применять системные шаблоны для конкретных областей и выделять до 32 768 токенов на ответ. Лицензия — Apache-2.0. Модель подходит для создания симуляторов сред и генерации ожидаемых наблюдений в агентных траекториях, в том числе для тестирования и оценки агентов. Заявлена способность обобщать на новые среды и поддерживать управляемые изменения сценариев; качество зависит от доменного системного промпта и длины генерации. Несмотря на упоминание графических интерфейсов, в чекпойнте есть только веса языковой модели, поэтому визуальные входы непосредственно не поддерживаются.

Ornstein 3.5 9B V2 — разговорная плотная модель примерно на 9,65 млрд параметров от DJLougen и GestaltLabs, основанная на Ornstein-3.5-9B-V1.5. Это дообученная модель семейства Qwen 3.5: после supervised fine-tuning версии V1.5 она прошла оптимизацию предпочтений DPO и обучение с проверяемым вознаграждением GRPO на математических задачах. Модель предназначена для многошаговых рассуждений, научных и технических задач, помощи в исследованиях и общего диалога; поддерживает интерфейс вызова инструментов. Модель принимает текст и изображения, а видеовход заявлен в карточке; сохранены vision tower и поддержка через mmproj. Она работает в формате диалога ChatML. В описании приведены высокие результаты на внутреннем тестовом наборе GBS-200 по рассуждениям и научным вопросам, но отмечено снижение результата в задачах программирования относительно V1.5. Доступны веса BF16 и GGUF; лицензия Apache 2.0.

Kepler-Qwen3-4B-Super-Thinking — плотная языковая модель на архитектуре Qwen3, дообученная PrithivMLmods на Qwen3-4B-Thinking-2507. Она предназначена для генерации текста с акцентом на рассуждения, математику, вероятностные задачи, событийную логику и структурированный анализ. Модель поддерживает чат и заявленную многоязычную генерацию; может формировать ответы в форматах LaTeX, Markdown, JSON, CSV и YAML. В метаданных указаны 3,7 млрд параметров и контекст до 262 144 токенов. Репозиторий использует safetensors, а лицензия — Apache-2.0. Модель рассчитана на исследователей, преподавателей и разработчиков, которым нужны решения задач на вероятность и логический вывод, симуляция событий или структурированные технические ответы. Заявленный акцент на вероятностных рассуждениях и структурированном выводе следует считать описанием назначения модели, а не гарантией точности. README отмечает трудности со сложными многошаговыми задачами и очень длинным контекстом, а также меньшую пригодность для творческого письма и эмоционального общения.

ABForge-Qwen3-8B-Task2 — дообученная модель семейства Qwen3, разработанная SlowGuess в рамках пайплайна ABForge для проектирования абляционных экспериментов на основе научных статей. Модель принимает контекст статьи и цель исследования, а затем генерирует подробный план с задачей эксперимента, настройкой, вариантами абляций, фиксированными протоколами и метриками. Модель основана на Qwen/Qwen3-8B: 7,6 млрд параметров, плотная архитектура Qwen3ForCausalLM, библиотека Transformers и формат весов safetensors. Обучение включает supervised fine-tuning и последующее обучение GRPO по критериям рубрики. Контекст — до 40 960 токенов; в карточке указан английский язык. Модель предназначена для текстового диалога и предоставляет интерфейс вызова инструментов. Обучающие данные связаны с исследовательскими статьями, а оценка проводилась на выделенной части AblationBench. Модель подходит для подготовки планов абляций в исследованиях, однако качество зависит от полноты и точности предоставленного контекста статьи; планы требуют проверки исследователем. Лицензия — Apache-2.0.

Darwin-28B-REASON — плотная языковая модель VIDRAFT для генерации текста и сложных рассуждений. Это самостоятельная модель с полными весами, полученная дистилляцией цепочек рассуждений (RTD) на базе FINAL-Bench/Darwin-28B-Opus. Она использует архитектуру Qwen3_5ForConditionalGeneration поколения Qwen3.6 с чередованием линейного и полноформатного внимания и содержит 27,6 млрд параметров в формате BF16. Модель предназначена для многошагового решения научных и математических задач, ответов на вопросы уровня аспирантуры, генерации и отладки кода. Карточка рекомендует английский как основной язык, а также указывает поддержку корейского, китайского и японского. Заявленный результат 89,39% на GPQA Diamond получен с Darwin-DELPHI — отдельным проприетарным механизмом тестового вывода с несколькими образцами и самопроверкой; этот механизм не входит в веса модели. Модель распространяется по лицензии Apache-2.0. Для запуска BF16-весов требуется около 55 ГБ видеопамяти. Карточка отмечает, что без Darwin-DELPHI точность ниже заявленного результата, а цепочки рассуждений могут быть многословными; полный рецепт дистилляции и методика оценки Darwin-DELPHI не раскрыты.

Intern-S1 — открытая мультимодальная модель рассуждений, разработанная командой InternLM. Она предназначена для диалога, общих задач и научных сценариев, включая интерпретацию химических структур, понимание последовательностей белков и планирование синтеза соединений. Модель объединяет языковую архитектуру Qwen3 с 235 млрд параметров типа MoE и визуальный энкодер InternViT на 6 млрд параметров; она дополнительно обучена на 5 трлн мультимодальных токенов, из которых более 2,5 трлн относятся к научным данным. Intern-S1 принимает текстовые и визуальные входы; README также описывает обработку видео. Модель поддерживает режим рассуждений, который включён по умолчанию, и может использоваться для общения с внешними инструментами через совместимый интерфейс. Для развёртывания полной версии README указывает минимум восемь ускорителей A100, H800 или H100 либо четыре H200. Для работы с Transformers требуется версия 4.53.0 или новее. Модель распространяется по лицензии Apache-2.0. Описанные научные возможности ориентированы на исследовательскую работу, но README не приводит отдельной оценки надёжности для конкретных научных задач; результаты следует проверять. Указанные требования к оборудованию делают локальное развёртывание ресурсоёмким.

SlowGuess разработала ABForge-Qwen3-8B-Task2-SFT — языковую модель для подготовки планов абляционных экспериментов на основе научных статей. Модель дообучена методом supervised fine-tuning на базе Qwen/Qwen3-8B; архитектура — плотная авторегрессионная Qwen3 с 7,6 млрд параметров, формат весов — Safetensors. Она предназначена для генерации подробного плана с целью эксперимента, схемой проведения, вариантами абляции, фиксированными протоколами и метриками. Модель подходит для исследователей, которым нужно превратить контекст статьи и заданную цель в контролируемый план абляционного исследования. Карточка указывает обучение на наборе из 37 019 примеров, созданных на основе научных статей с лицензиями Creative Commons, и оценку на отложенной выборке AblationBench. Поддерживаются диалоговый режим и контекст до 40 960 токенов; язык карточки — английский. Модель распространяется по лицензии Apache-2.0. Её назначение специализировано на генерации планов абляционных экспериментов; качество и корректность предложенного дизайна следует оценивать с учётом исходной статьи и исследовательской задачи.

Darwin-27B-RSI — плотная языковая модель семейства Qwen3.5, разработанная FINAL-Bench как версия Darwin-27B-Opus после рекурсивного самоулучшения. Модель дообучалась на собственных решениях: человеческие ответы и цепочки рассуждений не использовались, а корректность автоматически проверялась по согласованности выборок и выполнению кода. Для модели заявлены 22,3 млрд параметров в метаданных и 27 млрд в README, контекст до 262 144 токенов по метаданным; веса представлены в safetensors, точность BF16. Лицензия — Apache 2.0. Модель предназначена для генерации текста и диалогов с режимом рассуждения, в особенности для сложных научных и математических вопросов. В README сообщается об улучшении результатов относительно Darwin-27B-Opus на GPQA Diamond и SuperGPQA, а также о применении модели как движка рассуждений Darwin-27B-JEV. Описанный сценарий предполагает предоставление модели достаточного бюджета токенов для рассуждений. Заявленные улучшения проверены на задачах научного reasoning; перенос этих результатов на другие области не гарантирован. Модель может генерировать длинные рассуждения, что увеличивает задержку; для сценариев с ограничениями по времени рекомендуется ограничивать число генерируемых токенов. README также указывает на пересечение 31 обучающей задачи с набором MMLU в Decision Index.

MiroThinker-v1.0-8B-GGUF — открытая исследовательская агентная модель от команды MiroMind AI, предназначенная для рассуждений с использованием инструментов и поиска информации. Это GGUF-версия модели MiroThinker v1.0, созданная на базе Qwen3-8B с помощью llama.cpp. Модель ориентирована на глубокий многошаговый анализ, задачи общего исследования и длительные сценарии взаимодействия с внешней средой. Она поддерживает контекстное окно до 256K токенов и до 600 вызовов инструментов на одну задачу, что позволяет строить длинные траектории поиска и рассуждений. В карточке указана поддержка английского языка; другие языки и модальности не заявлены. Сильными сторонами являются агентное поведение, получение внешней информации, корректировка ошибок на основе обратной связи среды и масштабирование за счёт более глубоких взаимодействий. Версия распространяется в формате GGUF и использует квантизацию с выборочным повышением точности отдельных слоёв, что может улучшать качество при заданном уровне квантизации, но увеличивает размер файла. Для полноценной работы требуются совместимый runtime, например llama.cpp, и настроенные инструменты или окружение для взаимодействия. Модель распространяется по лицензии MIT.

maayans/modernbert-embed-large__ratio-address — англоязычная модель эмбеддингов на базе ModernBERT-large, дообученная для операции ADDRESS в наборе RATIO. Она кодирует запросы и предложения-кандидаты, чтобы находить научный подход или идею, отвечающие на проблему из запроса. Модель предназначена для семантического поиска по научной литературе и тематического retrieval; для запросов и документов следует использовать префиксы `search_query: ` и `search_document: ` соответственно. Модель основана на плотной архитектуре ModernBERT, содержит 394,7 млн параметров и поддерживает контекст до 8192 токенов. Она обучена контрастивным методом на обучающей части RATIO address. Репозиторий использует библиотеку sentence-transformers и формат safetensors; лицензия — Apache-2.0. Карточка указывает на один из девяти чекпойнтов RATIO, различающихся энкодерами и операциями идеации.

GALACTICA 120B — авторегрессионная языковая модель на основе decoder-only Transformer из семейства OPT, разработанная командой Papers with Code в Meta AI и размещённая на Hugging Face Мануэлем Ромеро. Модель содержит 161,6 млрд параметров и обучена на 106 млрд токенов научных текстов и данных: статей, учебников, энциклопедий, научных сайтов и баз знаний. Контекст — 2048 токенов. Модель предназначена для научных задач: ответов на вопросы, математических рассуждений, суммаризации и генерации документов, предсказания цитирований, извлечения сущностей и оценки свойств молекул. Она также может применяться в научных инструментах для поиска и работы с литературой. Обучение на крупном научном корпусе помогает выполнять задачи, требующие научных знаний, но модель может галлюцинировать, в том числе при генерации цитат, и проявлять смещения. Для применения в производстве нужны меры предосторожности и проверка результатов. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.