I.13Симуляция, моделирование и открытие нового

GALACTICA 30B — языковая модель, разработанная командой Papers with Code в Meta AI для работы с научными текстами и данными. Это авторегрессионный декодерный трансформер семейства OPT с 39,8 млрд параметров и контекстом до 2048 токенов; репозиторий содержит веса PyTorch. Модель обучена на 106 млрд токенов научных публикаций, учебников, справочников и других открытых научных источников. Модель предназначена для генерации научных текстов, ответов на научные вопросы, математических рассуждений, суммаризации, предсказания цитирований, извлечения сущностей и оценки свойств молекул. Она рассчитана прежде всего на исследователей и разработчиков научных инструментов. Карточка сообщает о результатах на ряде научных и языковых задач, но также предупреждает о галлюцинациях, смещении в пользу популярных работ и предвзятости. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.

OpenMath-Nemotron-32B — языковая модель NVIDIA для математических рассуждений, созданная дообучением Qwen/Qwen2.5-32B на наборе OpenMathReasoning. Это плотная decoder-only модель семейства Qwen2 с 32 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — до 131 072 токенов. Модель поддерживает режимы пошагового рассуждения (CoT), рассуждения с использованием инструментов (TIR) и выбора решения (GenSelect). Модель предназначена для решения математических задач и исследований в области математического рассуждения. NVIDIA сообщает о высоких результатах семейства OpenMath-Nemotron на математических бенчмарках; приведённые в карточке сравнительные результаты относятся к моделям разных размеров и не дают отдельной оценки именно версии 32B. Модель опубликована в формате safetensors для Transformers и заявлена как пригодная для коммерческого использования по лицензии CC BY 4.0. Для эффективного запуска NVIDIA рекомендует GPU-ускоренные системы; карточка указывает TensorRT/Triton и совместимость с NVIDIA Ampere и Hopper.

Nemotron-3-Labs-Ultra-Math-SFT — разработанная NVIDIA языковая модель для математических рассуждений. Она обучена решать сложные задачи, строить и уточнять доказательства, а также проверять доказательства и выявлять в них ошибки. Модель основана на Nemotron-3 Ultra и дообучена на наборе Nemotron-Math-Proofs-v3-SFT с примерами генерации, проверки и доработки доказательств. В метаданных указаны 29,6 млрд параметров, архитектура Nemotron H и поддержка диалогового режима; README описывает гибридную архитектуру Mamba2-Transformer с LatentMoE и Multi-Token Prediction. Модель принимает и выдаёт текст, рассчитана на английский язык. Указанный в метаданных контекст — 262 144 токена. NVIDIA сообщает о золотом уровне результата на IMO 2026 для ансамблевой системы, в которую входила эта модель; это не отдельная оценка модели. Для запуска рекомендуется использовать vLLM или PyTorch на ускорителях NVIDIA. README разрешает коммерческое и некоммерческое использование, а в метаданных лицензия обозначена как other. Модель предназначена для исследовательских и прикладных систем математического рассуждения и проверки доказательств. Для надёжного применения требуется тестирование на данных конкретного сценария; результат ансамбля не гарантирует такого же качества при самостоятельном использовании модели.

NVIDIA-Nemotron-Labs-Teacher-General-Reasoning — языковая модель NVIDIA для многошаговых рассуждений на сложных задачах. Это вариант Nemotron 3 Ultra, дополнительно дообученный на reasoning-данных с помощью supervised fine-tuning и reinforcement learning. Модель предназначена как для самостоятельного решения задач, так и для генерации обучающих примеров и сигналов для дистилляции других моделей. Модель использует гибридную архитектуру LatentMoE с чередованием слоёв Mamba-2 и Mixture of Experts, отдельными слоями attention и Multi-Token Prediction. Всего в ней 550 млрд параметров, из которых активно 55 млрд; длина контекста в метаданных — 262 144 токена. README также заявляет поддержку контекста до 1 млн токенов, поэтому фактический предел может зависеть от конфигурации и способа запуска. Модель генерирует текст и ориентирована на рассуждения в математике, логике и абстрактных задачах; заявлена поддержка английского, французского, испанского, итальянского, немецкого, японского, корейского, хинди, португальского и китайского языков. Модель рассчитана на коммерческое и некоммерческое использование, однако метаданные указывают лицензию «other», поэтому перед внедрением следует проверить условия в карточке модели. Для запуска требуются значительные вычислительные ресурсы: это чекпойнт масштаба сотен миллиардов параметров. Дата отсечения обучающих данных для постобучения — май 2026 года, для предобучения — сентябрь 2025 года.

SciGLM-6B — научная языковая модель семейства ChatGLM, разработанная для рассуждений на уровне университетских курсов. Модель дообучена на SciInstruct — наборе из 254 051 инструкционного примера по математике, физике, химии и формальным доказательствам на Lean, подготовленном с помощью самооценки и пересмотра пошаговых рассуждений. Модель предназначена для ответов на научные вопросы и решения задач по этим дисциплинам. Она содержит 7,8 млрд параметров, принимает текст и имеет контекст длиной до 32 768 токенов. Репозиторий использует формат PyTorch; лицензия — Apache-2.0.

VBVR-Pro-Wan2.2-I2V-A14B — дообученная Video-Reason модель Wan2.2-I2V-A14B для генерации видео по изображению и текстовой инструкции. Она предназначена для задач визуального рассуждения, в которых нужно показать развитие сцены во времени, например отслеживание изменений состояния объектов. Модель использует архитектуру Wan2.2-I2V с отдельными диффузионными трансформерами для высокого и низкого уровней шума; адаптеры rank 32 уже объединены с весами экспертов. Репозиторий содержит веса в формате Diffusers и safetensors, поэтому отдельная загрузка адаптеров не требуется. Модель обучена на VBVR-Dataset и входит в исследовательский набор VBVR-Pro: в README описаны 300 процедурно созданных задач визуального рассуждения и перенос на внешние тесты. Для запуска предназначена библиотека Diffusers. Базовая модель рассчитана на генерацию видео 480p или 720p по метаданным каталога; поддерживаемые языки включают английский. Лицензия — Apache-2.0.

CHIMERA-4B-RL — языковая модель с 3,7 млрд параметров, разработанная авторами работы CHIMERA: Compact Synthetic Data for Generalizable LLM Reasoning. Это дообученная с подкреплением версия CHIMERA-4B-SFT на синтетическом наборе CHIMERA из 9 тысяч примеров с длинными цепочками рассуждений. В метаданных базовой моделью указана Qwen/Qwen3-4B-Thinking-2507; модель использует плотную архитектуру Qwen3 и доступна в формате safetensors через Transformers. Модель предназначена для генерации текста и решения задач, требующих рассуждений в разных научных областях. В карточке приведены результаты на тестах научных вопросов и математических соревнований, включая GPQA-D, AIME, HMMT и HLE. Заявленная длина контекста составляет 262 144 токена. Карточка не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.

Qwen2-Math-72B-Instruct-GGUF — квантизированная в формате GGUF инструкционная языковая модель, разработанная командой Qwen на базе Qwen2-Math-72B-Instruct. Квантизацию выполнил bartowski с использованием llama.cpp. Модель предназначена прежде всего для решения математических задач, многошагового рассуждения и сложных логических проблем, а также для диалогового текстового взаимодействия через шаблон ChatML. Модель содержит 72 млрд параметров и обучена на специализированном математическом корпусе, включающем веб-тексты, книги, программный код, экзаменационные задания и синтетические данные. Инструкционная версия дополнительно обучалась с применением математической reward-модели, supervised fine-tuning и Group Relative Policy Optimization (GRPO). В README заявлены высокие результаты на математических и reasoning-бенчмарках, однако конкретные показатели не приведены. Указан английский язык; другие языки и размер контекста не заявлены. Модель подходит для математического анализа, пошагового решения задач и исследовательских сценариев, но из-за большого размера требует значительных вычислительных ресурсов, а квантизация может влиять на точность. Как и другие генеративные модели, она способна ошибаться и выдавать неточные или неподходящие ответы. Лицензия указана как tongyi-qianwen; подробные условия доступны по ссылке на лицензию исходной модели.

Arctic-AWM-14B — языковая модель Snowflake AI Research, разработанная совместно с исследователями UNC-Chapel Hill. Это плотная модель семейства Qwen3 на 14 млрд параметров, дообученная с помощью агентного обучения с подкреплением на полностью синтетических средах AgentWorldModel-1K. Она предназначена для многошагового взаимодействия с инструментами через унифицированный интерфейс MCP и для задач, где агенту нужно выполнять последовательность действий в среде. Модель принимает текстовые запросы и выдаёт текстовые ответы и вызовы инструментов. Контекст составляет 40 960 токенов; карточка указывает английский язык. Лицензия — Apache-2.0.

Mathstral-7B-v0.1-GGUF — это квантованная в формате GGUF версия модели Mathstral-7B-v0.1, разработанной Mistral AI при сотрудничестве с Project Numina. Квантование подготовлено bartowski на основе llama.cpp. Модель представляет собой дообученную модель семейства Mistral, ориентированную на решение сложных математических задач, требующих многошагового логического рассуждения. Она подходит для генерации ответов и рассуждений в математике, обучения, исследовательских сценариев и других задач, где важны вычисления и последовательный анализ. Модель имеет около 7 миллиардов параметров и поддерживает контекст длиной до 32 768 токенов. В README не указаны полный перечень поддерживаемых языков и дополнительные модальности, поэтому подтверждённые характеристики относятся к текстовой генерации. Для использования в LM Studio рекомендуется шаблон запросов Mistral Instruct. Заявлены результаты 56,6% на MATH и 63,47% на MMLU; при этом модель может ошибаться, а точность зависит от формулировки задачи, выбранного варианта квантования и настроек запуска. Модель распространяется по лицензии Apache-2.0. README не уточняет ограничения, связанные с отдельными вариантами квантования, поэтому перед коммерческим или производственным использованием следует проверить условия исходного репозитория и конкретного файла GGUF.

Open-Reasoner-Zero-7B — языковая модель на архитектуре Qwen2, разработанная командой Open-Reasoner-Zero. Это policy-модель, дообученная с помощью масштабируемого обучения с подкреплением для генерации рассуждений; её можно использовать как чат-модель через Transformers и vLLM. В карточке указано 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для задач, требующих пошагового рассуждения, в частности для решения математических задач и ответов на научные вопросы. В README сообщается об оценке на AIME2024, MATH500 и GPQA Diamond. Модель выпущена в формате safetensors по лицензии MIT. README не сообщает языки обучения или поддержки, поэтому они здесь не перечислены.

Карточка модели Qwen/WebWorld-14B на Hugging Face совпадает с карточкой Qwen/WebWorld-32B, поэтому описание составлено по ней. WebWorld-32B — языковая модель мира для обучения и оценки веб-агентов, разработанная командой Qwen. Она предсказывает следующее состояние веб-страницы по текущему состоянию и действию агента, поддерживая симуляцию траекторий длиной более 30 шагов. Модель дообучена на базе Qwen/Qwen3-8B на данных Qwen/WebWorldData; архитектура — плотная Qwen3ForCausalLM, около 29,7 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для симуляции взаимодействий с веб-средой, синтеза траекторий и поиска с просмотром возможных последствий действий. Она сохраняет форматы состояний A11y Tree, HTML, XML, Markdown и естественного языка, а действия принимает в виде вызовов функций. Поддерживаемые языки по карточке — английский и китайский. Модель текстовая и не симулирует визуальное отображение страниц на уровне пикселей. В README также отмечены склонность к чрезмерно оптимистичным исходам и то, что генерация длинных точных текстов не является её основной задачей. Лицензия — Apache-2.0.

Zigeng/R1-VeriThinker-7B — языковая модель исследовательской группы xML Lab Национального университета Сингапура, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-7B. Модель предназначена для генерации рассуждений и проверки корректности цепочек рассуждений; обучение на вспомогательной задаче верификации помогает сокращать избыточные шаги самоанализа. Модель построена на архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 131 072 токенов. В экспериментах авторов она сокращала длину рассуждений на задачах MATH500 и AIME25 при сохранении или небольшом повышении точности; также описано применение для ускорения спекулятивных рассуждений. Доступны веса в формате safetensors, библиотека Transformers, интерфейс чата и интерфейс вызова инструментов. Лицензия — MIT.

SciReasoner-8B — научная языковая модель для рассуждений в разных научных дисциплинах, представленная в статье SciReasoner: Laying the Scientific Reasoning Ground Across Disciplines. В репозитории размещены веса модели; архитектура — плотная Qwen3ForCausalLM с 7,6 млрд параметров, формат — safetensors, библиотека — Transformers. Модель принимает текст и генерирует текст, поддерживая контекст до 32 768 токенов. Модель предназначена для решения научных задач и оценки способностей к рассуждению; README описывает запуск бенчмарков через OpenCompass, включая оценивание по наборам данных и few-shot-сценарии. Лицензия — Apache-2.0. README не приводит конкретный список поддерживаемых языков или подробные результаты и ограничения качества.

USP (User Simulator with Implicit Profiles) — модель-симулятор пользователей, разработанная авторами проекта USP. Она генерирует реалистичные реплики в диалогах с большими языковыми моделями, воспроизводя различное поведение пользователей на основе заданных профилей. Модель построена на архитектуре LLaMA 3 8B и дообучена методами Conditional Supervised Fine-Tuning и Reinforcement Learning with Cycle Consistency. USP предназначена для создания многоходовых диалоговых сценариев и оценки поведения LLM в симулированных взаимодействиях. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров; метаданные указывают контекст до 8192 токенов, тогда как README рекомендует ограничивать вход 4096 токенами во избежание ухудшения качества. Модель оптимизирована для английского языка; качество на других языках может быть нестабильным. Лицензия — MIT.

Это GGUF-квантизированная версия модели internlm/internlm2-math-plus-mixtral8x22b, подготовленная пользователем legraphista с помощью llama.cpp. Модель предназначена для генерации текста и, судя по названию и исходной модели, ориентирована прежде всего на математические задачи. Указаны английский и китайский языки. Формат GGUF подходит для локального запуска средствами llama.cpp и совместимыми инструментами. В репозитории представлены варианты от BF16 и FP16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов; размеры файлов составляют примерно от 48 до 281 ГБ, а многие варианты разделены на части. Для ряда низкобитных вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера. Исходный тип данных модели — BF16. Архитектура, точное число параметров, размер контекста и поддерживаемые модальности в README не указаны; из данных следует только текстовая специализация без заявленной поддержки изображений или аудио. Сильные стороны — широкий выбор уровней квантизации и возможность локального запуска, а также использование IMatrix в части компактных вариантов. Ограничения — очень большие требования к дисковому пространству и, вероятно, к оперативной или видеопамяти; качество и скорость зависят от выбранного варианта квантизации. Лицензия обозначена как other, но её конкретные условия в README не приведены.

QuantFactory/mathstral-7B-v0.1-GGUF — квантизированная версия модели Mathstral-7B-v0.1, разработанной Mistral AI и основанной на Mistral 7B. Квантизация выполнена QuantFactory с использованием llama.cpp. Модель предназначена для генерации текста с особой специализацией на математических и научных задачах, включая решение задач в диалоговом формате и рассуждения по количественным вопросам. Модель содержит около 7 миллиардов параметров и распространяется в формате GGUF. В README не указаны точные варианты квантизации, поддерживаемые языки, максимальная длина контекста и набор модальностей; по имеющимся данным, это текстовая модель без заявленной поддержки изображений или других типов входных данных. В опубликованной оценке Mathstral 7B показала высокие результаты на математических тестах, включая MATH, Odyssey Math и AMC 2023, а также результат 77,1 на GSM8K. Сильной стороной модели является специализация на математике и научных сценариях при относительно компактном размере, что делает её подходящей для локального запуска через совместимые инструменты llama.cpp и для диалогового решения задач. Ограничения связаны с тем, что квантизация может влиять на точность по сравнению с исходной моделью, а README не содержит подробностей о конкретном уровне квантизации и системных требованиях. Модель распространяется по лицензии Apache 2.0.

MolParser-Mobile-V2 — компактная модель UniParser для оптического распознавания химических структур (OCSR): она преобразует изображения молекул в запись E-SMILES 2.0. Модель построена по архитектуре vision encoder-decoder и содержит около 10 млн параметров; принимает изображения размером до 384 × 384 пикселей и генерирует последовательность длиной до 384 токенов. Модель предназначена для распознавания молекул в химической литературе, включая сложные структуры Markush, стереохимические обозначения, полимеры и повторяющиеся структурные фрагменты. В README приведены результаты тестирования на нескольких наборах данных и указано улучшение точности относительно предыдущей версии MolParser-Mobile; фактическое качество зависит от изображения и сложности структуры. Веса модели доступны по лицензии CC BY-NC-SA 4.0 только для некоммерческого использования. Библиотека MolParser, предоставляющая дополнительные функции обнаружения молекул, постобработки и визуализации, распространяется отдельно по Apache 2.0.

Satori-7B-Round2 — языковая модель Satori-reasoning, дообученная на базе Qwen/Qwen2.5-Math-7B. Модель с архитектурой Qwen2 и 7,1 млрд параметров предназначена прежде всего для математических задач и пошагового рассуждения. Она обучена генерировать рассуждения в формате Chain-of-Action-Thought (COAT), позволяющем продолжать решение, перепроверять промежуточные шаги и исследовать альтернативный путь без внешнего управления. Модель прошла настройку формата и два этапа самоулучшения с обучением с подкреплением и техникой Restart and Explore. Карточка сообщает об оценке математических задач и задач общего рассуждения, включая логику, код, здравый смысл, таблицы и STEM. Она поддерживает генерацию текста и диалог; базовая модель рассчитана на английский и китайский языки. Контекст — 8192 токена. Распространяется под лицензией Apache-2.0.

ABForge-Qwen3-8B-Task1-SFT — языковая модель, разработанная SlowGuess для определения целей абляции в научных статьях. Она дообучена методом supervised fine-tuning на базе Qwen/Qwen3-8B и принимает контекст статьи без результатов абляции, предлагая пары «целевой модуль — исследовательский вопрос», которые описывают компонент для исключения и цель такого эксперимента. Модель предназначена для поддержки проектирования и анализа абляционных экспериментов в научных исследованиях. Это плотная авторегрессионная модель семейства Qwen3 с 7,6 млрд параметров, работающая через Transformers; заявленный контекст — 40 960 токенов. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0. Предложения модели следует проверять по исходной статье и исследовательскому замыслу: карточка описывает специализированную задачу и оценку на отложенной выборке AblationBench, но не приводит численных результатов. Модель не заменяет экспертную проверку научного дизайна эксперимента.

QuantFactory/deepseek-math-7b-rl-GGUF — квантизированная версия модели DeepSeekMath-7B-RL, разработанной командой DeepSeek и преобразованной с использованием llama.cpp. Модель предназначена для генерации текста и решения математических задач с пошаговым рассуждением, включая сценарии, где требуется получить итоговый ответ в формате LaTeX \boxed{}. Модель основана на DeepSeek-Math-7B-RL и содержит около 7 миллиардов параметров. Она работает в текстовой модальности; в README явно указана поддержка запросов на английском и китайском языках. Формат GGUF и квантизация ориентированы на запуск через совместимое программное обеспечение, включая llama.cpp, однако конкретный вариант квантизации и размер контекстного окна не указаны. Сильной стороной модели является специализация на математическом рассуждении и возможность локального запуска в квантизированном формате. К ограничениям относятся отсутствие данных о точности, поддерживаемых уровнях квантизации и контекстном окне, а также потенциальное снижение качества по сравнению с исходной моделью из-за квантизации. Использование моделей DeepSeekMath регулируется отдельной лицензией DeepSeek; README указывает на разрешённое коммерческое использование. Лицензия репозитория при этом обозначена как MIT.

Карточка модели internlm/internlm2-math-plus-20b на Hugging Face совпадает с карточкой internlm/internlm2-math-plus-1_8b, поэтому описание составлено по ней. InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

Карточка модели internlm/internlm2-math-plus-mixtral8x22b на Hugging Face совпадает с карточкой internlm/internlm2-math-plus-1_8b, поэтому описание составлено по ней. InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

DatedGPT-2017-Instruct — англоязычная чат-модель с настройкой на выполнение инструкций, разработанная как часть семейства DatedGPT. Она предназначена для генерации текста и анализа, в котором важно учитывать только сведения, доступные до 2017 года, например для прогнозирования без смещения заглядывания вперёд и анализа данных на момент времени. Модель использует плотную архитектуру LlamaForCausalLM и содержит около 1,3 млрд параметров. Она принимает текст, поддерживает диалоговый формат Llama-2-style и имеет контекст длиной 2048 токенов. Опубликована в формате safetensors; лицензия в предоставленных данных не указана. Знания модели ограничены данными до 2017 года. В README отмечено отсутствие RLHF и настройки безопасности, поэтому ответы могут быть уверенно сформулированными, но ошибочными.

InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

MaziyarPanahi/mathstral-7B-v0.1-GGUF — это набор файлов модели в формате GGUF для Mathstral-7B-v0.1, разработанной Mistral AI и основанной на Mistral 7B. Квантизацию и публикацию GGUF-версии выполнил MaziyarPanahi. Модель предназначена прежде всего для математических и научных задач, включая решение текстовых задач, рассуждения и генерацию текста, и может использоваться для локального запуска через llama.cpp и совместимые инструменты. Модель имеет около 7 млрд параметров и относится к текстовым языковым моделям; сведения о мультимодальности, поддерживаемых языках и размере контекста в README не указаны. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. В опубликованных оценках Mathstral 7B показывает сильные результаты на ряде математических бенчмарков, включая MATH, Odyssey Math, GRE Math и AMC 2023, однако уступает или сопоставима с другими моделями в зависимости от теста. README не содержит информации о лицензии, поэтому условия использования определить нельзя. К ограничениям относятся возможные потери качества из-за квантования и отсутствие данных о поведении модели вне математических и научных сценариев.

Morphy-Math-1.5B — языковая модель команды Moolvylabs, созданная на базе Qwen2.5-Math-1.5B-Instruct посредством целевого дообучения на сложных академических задачах. Это плотная причинно-авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации пошаговых решений по высшей математике, физике и квантовым вычислениям. Модель принимает текст и генерирует текст; контекст составляет 4096 токенов. Для точной работы с формулами и научной нотацией README рекомендует задавать вопросы на английском языке. Модель рассчитана на локальный запуск, в том числе на потребительском оборудовании. Репозиторий содержит веса в формате safetensors; README также описывает версии в разных форматах квантизации и предупреждает, что сильное сжатие может ухудшать рассуждения на абстрактных многопеременных задачах. Модель распространяется по лицензии Apache-2.0.

NeoVerse — модель 4D-моделирования мира, разработанная авторами работы «NeoVerse: Enhancing 4D World Model with in-the-wild Monocular Videos». Она предназначена для реконструкции 4D-сцен, генерации видео с новыми траекториями камеры и последующих задач, использующих такую реконструкцию. Модель основана на объединении Wan-AI/Wan2.1-T2V-14B и lightx2v/Wan2.1-T2V-14B-StepDistill-CfgDistill-Lightx2v; веса опубликованы в формате safetensors. В карточке также указан датасет SpatialVID/SpatialVID. Для использования NeoVerse карточка направляет к инструкциям в GitHub. В репозитории Hugging Face указан pipeline video-to-video. Лицензия — Apache-2.0. Карточка не описывает ограничения качества или поддерживаемые языки.

OpenMath-Mistral-7B-v0.1-hf — языковая модель NVIDIA для решения математических задач. Она дообучена на Mistral-7B-v0.1 с использованием OpenMathInstruct-1 — набора из 1,8 млн пар «задача — решение», созданных с помощью Mixtral-8x7B. Модель относится к семейству Mistral, имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Модель генерирует текстовые решения и рассчитана на сценарии, где математические рассуждения можно сочетать с фрагментами кода, исполняемыми интерпретатором Python. Размер контекста — 32 768 токенов. В карточке указана поддержка английского языка; формат весов — safetensors. Модель подходит для получения пошаговых решений и помощи в вычислениях, однако README не приводит количественных оценок качества или перечня математических тем, на которых она особенно надёжна. Лицензия — Apache-2.0.

PJiNH/QFFT-repro-S1.1-SFT-7B — независимая репродукция базовой модели S1.1/SFT из работы QFFT: Question-Free Fine-Tuning for Adaptive Reasoning. Это полное дообучение Qwen/Qwen2.5-7B-Instruct с архитектурой Qwen2 dense, 7,1 млрд параметров и форматом safetensors. Модель обучена методом supervised fine-tuning на 1 000 вопросах набора simplescaling/s1K-1.1 с ответами DeepSeek-R1; в обучающий контекст входят системная инструкция рассуждать пошагово и вопрос, а функция потерь применяется к ответу. Модель предназначена для генерации ответов с пошаговым рассуждением, особенно для математических и научных задач. В карточке приведены результаты воспроизведения на GSM8K, MATH500 и AIME25; контекстная длина — 32 768 токенов. Это независимая репродукция, а не чекпойнт авторов статьи и не официальная модель Qwen или Alibaba Cloud. В обучающих данных есть 88 вопросов GPQA, поэтому результаты на GPQA следует интерпретировать с учётом возможного пересечения данных. Лицензия — Apache-2.0; она унаследована от базовой модели, веса которой были изменены дообучением.