I.13Симуляция, моделирование и открытие нового

SAND-MathScience-DeepSeek-Qwen32B — плотная языковая модель на архитектуре Qwen2, разработанная AMD и дообученная на базе DeepSeek-R1-Distill-Qwen-32B. Модель содержит 32 млрд параметров и рассчитана на генерацию текста с пошаговыми рассуждениями, прежде всего для решения задач по математике и естественным наукам. Для дообучения использованы 27 тысяч синтетических примеров: 15 тысяч по математике и 12 тысяч по науке; обучение проводилось методом SFT на синтетических данных с использованием AMD ROCm и ускорителей AMD Instinct MI325. Модель принимает текст и генерирует текстовые ответы. В метаданных указан контекст до 131072 токенов; README приводит пример запуска с ограничением длины до 32768 токенов. Карточка сообщает об английском языке и результатах на математических и научных бенчмарках, включая AIME, MATH500 и GPQA. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория. Как и другие генеративные модели, она может допускать ошибки в решениях и объяснениях; бенчмарки сами по себе не гарантируют точность на пользовательских задачах.

AstroSage-70B — языковая модель AstroMLab для вопросов и ответов по астрономии, астрофизике, космологии, космической науке и астрономическим приборам. Это авторегрессионный трансформер на архитектуре Llama 3.1 с 69,5 млрд параметров; модель дообучена на астрономической литературе и инструкционных данных, а выпущенная версия объединена с несколькими вариантами Llama. Она принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. Контекст модели составляет до 131 072 токенов по метаданным; для тонкой настройки использовались последовательности длиной 8 192 токена. Основной язык карточки — английский. Модель предназначена для научных справок и объяснений, ответов на профильные вопросы, помощи в обзоре литературы, обсуждения исследовательских идей и программирования для анализа астрономических данных. Она также подходит для обучения и образовательных сценариев. Лицензия — Llama 3.1 Community License. Модель может выдавать правдоподобные, но неверные утверждения; научные ответы следует проверять. Её знания об астрономических публикациях охватывают период до января 2024 года, поэтому она не учитывает более поздние результаты.

EulerMath-Mistral-7B-GGUF — это набор GGUF-квантизаций языковой модели EulerMath-Mistral-7B, опубликованный и квантованный пользователем bartowski. Исходная модель разработана Weyaxi и основана на meta-math/MetaMath-Mistral-7B. Модель предназначена для генерации текста и решения математических задач, включая математические задачи в текстовой форме, а также для использования в сценариях instruction-following. Она обучалась с применением наборов данных TIGER-Lab/MathInstruct и microsoft/orca-math-word-problems-200k; заявленный язык — английский. Модель имеет архитектуру Mistral и размер 7B параметров. В данном репозитории представлены варианты с разной степенью квантизации, от Q8_0 размером 7,69 ГБ до IQ1_S размером 1,61 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как компактные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству; для большинства сценариев автор рекомендует Q6_K, Q5_K_M, Q5_K_S и варианты Q4. Используется формат prompt: «### Instruction: {prompt}» и «### Response:». Сильными сторонами являются специализация на математических задачах, широкий выбор размеров файлов и совместимость с экосистемой llama.cpp. Ограничения включают отсутствие данных о длине контекста, мультимодальности, результатах оценивания и поддерживаемых языках, кроме английского. Лицензия указана как other, без дополнительных условий в README; перед использованием следует проверить лицензионные условия исходной модели и производных компонентов.

Карточка модели internlm/internlm2-math-plus-7b 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.

MolParser-Mobile — компактная модель UniParser для распознавания химических структур на изображениях (OCSR). Она преобразует изображения молекул в строки E-SMILES и предназначена для быстрого извлечения структур из химической литературы и обработки больших коллекций изображений. Архитектура — vision encoder-decoder на базе Transformers; в README указано 9,98 млн параметров. Модель принимает изображения и выдаёт текстовую запись структуры молекулы. Авторы заявляют, что модель в 38 раз быстрее MolParser 1.0 и достигает пропускной способности 1 520 молекул в секунду на одной NVIDIA RTX 4090D, сохраняя высокую точность на тестах распознавания химических структур. Эти результаты приведены авторами и зависят от условий оценки и оборудования. Веса распространяются по лицензии CC BY-NC-SA 4.0 и разрешены только для некоммерческого использования; для коммерческого применения требуется отдельная лицензия.

OpenMed/OpenMed-ZeroShot-NER-Protein-XLarge-770M — специализированная модель распознавания именованных сущностей в биомедицинских текстах, разработанная OpenMed. Она основана на архитектуре GLiNER и дообучена на корпусе FSU для извлечения белков, белковых комплексов, семейств и вариантов, а также связанных терминов молекулярной биологии. Модель поддерживает zero-shot-разметку: типы сущностей задаются при использовании, поэтому её можно адаптировать к новым категориям без отдельного дообучения. Модель предназначена для анализа научной литературы и клинических записей, извлечения белковых сущностей для поиска взаимодействий, моделирования путей и задач системной биологии. В README приведён результат F1 около 0,88 на тестовой выборке FSU. В метаданных указаны тег token-classification, формат PyTorch, английский язык и лицензия Apache-2.0. Качество зависит от текста, выбранных меток и порога предсказания; README отмечает, что для редких пользовательских типов может помочь снижение порога. Результаты на FSU не гарантируют аналогичную точность на других корпусах или клинических сценариях.

Open-Reasoner-Zero-32B — плотная языковая модель семейства Qwen2 на 32 млрд параметров, разработанная командой Open-Reasoner-Zero. Это чат-модель, полученная обучением базовой модели с помощью масштабируемого обучения с подкреплением для развития рассуждений. Она предназначена для генерации ответов и решения сложных математических и научных задач; в карточке проекта приведены результаты на AIME2024, MATH500 и GPQA Diamond. Модель принимает текст и генерирует текст, поддерживает контекст до 131 072 токенов. README сообщает, что для обучения использовались наборы математических задач и что веса можно использовать как чат-модель в Transformers и vLLM. Репозиторий распространяется под лицензией MIT. Описанные бенчмарки не гарантируют точность ответов в практических задачах; модель ориентирована на рассуждения, а не на специализированные профессиональные консультации.

Qwen2-Math-72B-Instruct-GGUF — это набор файлов модели в формате GGUF для Qwen2-Math-72B-Instruct, разработанной командой Qwen и квантованной MaziyarPanahi. Модель предназначена для генерации текста с акцентом на математические задачи и работу в формате инструкций. Формат GGUF ориентирован на локальный запуск через llama.cpp и совместимые библиотеки и приложения, включая llama-cpp-python, LM Studio, text-generation-webui, KoboldCpp, GPT4All и другие. В репозитории представлены варианты квантования с разрядностью 2, 3, 4, 5, 6 и 8 бит, что позволяет выбирать компромисс между размером файлов, требованиями к памяти и качеством вывода. Базовая модель имеет размер 72B; сведения о точной архитектуре, поддерживаемых языках, модальностях и размере контекста в README не указаны. Сильная сторона модели — возможность локального использования в распространённой экосистеме GGUF и адаптация под разные аппаратные ограничения благодаря нескольким уровням квантования. Ограничениями являются потенциальная потеря качества при более агрессивном квантовании и высокие требования к ресурсам для запуска 72B-версии. Лицензия в README не указана.

ChemDFM-v1.0-13B — диалоговая языковая модель для химии и молекулярной науки, разработанная командой OpenDFM на основе LLaMA-13B. Это плотная модель семейства LLaMA с 12,9 млрд параметров, предназначенная для генерации ответов на вопросы и ведения диалога по химическим темам. Она обучалась на корпусах химической литературы и дообучалась для следования инструкциям. Модель подходит для объяснения химических понятий, обсуждения молекул и реакций, а также поддержки исследовательских сценариев, например анализа синтетических стратегий и предложений по проведению реакций. В запросах можно использовать обозначения SMILES; авторы рекомендуют предварительно канонизировать их с помощью RDKit. Модель поддерживает английский и китайский языки, а её контекст составляет 2048 токенов. В README заявлены сильные результаты на типичных химических задачах и способность корректировать и уточнять ответы в диалоге. Модель может выдавать неверную или вводящую в заблуждение информацию, поэтому ответы следует проверять с профильными специалистами. Распространяется по лицензии AGPL-3.0.

InternLM2-Math-Plus-20B — языковая модель для генерации текста, специализированная на математических задачах. Исходная модель разработана командой InternLM и опубликована под идентификатором internlm/internlm2-math-plus-20b, а данный репозиторий содержит её GGUF-квантизации, подготовленные bartowski с использованием llama.cpp и метода imatrix. Модель поддерживает английский и китайский языки и предназначена для локального запуска через совместимое программное обеспечение, включая llama.cpp. Модель имеет около 20 миллиардов параметров; точные сведения об архитектуре и размере контекста в README не указаны. Доступны варианты квантизации Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K, IQ4, IQ3, IQ2 и IQ1 с различным соотношением качества, требований к памяти и размера файла. Наиболее качественными и рекомендуемыми названы Q6_K, Q5_K_M и Q5_K_S; варианты с меньшей разрядностью экономят память, но снижают качество, особенно IQ1 и некоторые Q3. Сильная сторона модели — специализация на математической генерации текста и широкий выбор локальных квантизированных сборок объёмом примерно от 4,54 до 21,10 ГБ. Ограничения включают зависимость качества от выбранной квантизации, отсутствие поддержки мультимодальных входов в описании и недостаток сведений о результатах тестирования, архитектуре и контекстном окне. Лицензия указана как other, без дополнительных условий в README.

OpenReasoning-Nemotron-1.5B — языковая модель NVIDIA для пошагового решения задач по математике, программированию и естественным наукам. Это дообученная методом supervised fine-tuning модель Qwen2.5-1.5B с плотной decoder-only архитектурой Qwen2, содержащая 1,5 млрд параметров. Она принимает текст и генерирует текст; карточка указывает английский язык. Заявленная длина контекста составляет 131 072 токена, а модель оценивали при генерации ответов длиной до 64 тыс. токенов. Модель предназначена для разработчиков и исследователей, работающих с задачами математических соревнований, кодом и научными вопросами. В README описан режим GenSelect, который выбирает лучший вариант из нескольких сгенерированных решений; обучение выбора проводилось на математических задачах, а авторы сообщают о переносе этой способности на код и науку. Модель использует формат safetensors и библиотеку Transformers; для вывода также упомянуты vLLM и TensorRT-LLM, а оптимизация ориентирована на GPU NVIDIA. Лицензия — CC BY 4.0; карточка допускает коммерческое и некоммерческое исследовательское использование. Модель компактнее крупных вариантов семейства, но результаты в README относятся к конкретным бенчмаркам и не гарантируют качество на произвольных задачах; особенно скромен приведённый результат по SciCode для версии 1.5B. Для GenSelect требуются несколько генераций и дополнительный этап выбора, что увеличивает затраты вывода.

VIEW2SPACE view2space_4b — модель на основе Qwen/Qwen3-VL-4B-Instruct, разработанная для проекта VIEW2SPACE и представленная как исследовательская работа ECCV 2026. Она анализирует несколько разреженных наблюдений с разных, в том числе неоднородных, ракурсов и формирует пространственное понимание сцены на основе изображений и текстовых запросов. Модель предназначена для визуального рассуждения по нескольким изображениям, когда для ответа нужно объединить частичные сведения с разных точек обзора. Она использует архитектуру Qwen3VLForConditionalGeneration и распространяется в формате safetensors; карточка рекомендует применять код оценки и форматирование запросов из официального репозитория VIEW2SPACE. Лицензия в предоставленных данных не указана.

Atom V1 Preview — диалоговая модель VANTA Research, созданная на базе google/gemma-3-4b-it с помощью дообучения LoRA и последующего объединения весов. Модель рассчитана на совместное исследование идей, любознательный диалог и объяснение сложных понятий с помощью аналогий и подробных рассуждений. Это плотная модель семейства Gemma 3 примерно на 4 млрд параметров; доступны форматы safetensors и GGUF. Метаданные указывают поддержку чата и английский язык. README заявляет контекст 128K токенов, но в разделе ограничений указывает окно 8192 токена и снижение качества на длинных диалогах. Модель подходит для учебных бесед, мозгового штурма и исследовательской помощи, когда полезны уточняющие вопросы и развёрнутые ответы. Это ранний исследовательский прототип, не предназначенный для высокорисковых решений и не прошедший количественную оценку по стандартным NLP-бенчмаркам или adversarial-тестирование. README сообщает о лицензии CC BY-NC 4.0, которая исключает коммерческое использование.

Nemotron-3-Labs-Ultra-Math-RL — языковая модель NVIDIA для математических рассуждений, генерации доказательств и проверки ошибок в доказательствах. Она предназначена для исследователей и разработчиков, создающих системы решения сложных математических задач. В составе ансамбля модель участвовала в системе, показавшей результат уровня золотой медали на Международной математической олимпиаде 2026 года. Это дообученная модель семейства Nemotron-3 с архитектурой Nemotron Hybrid LatentMoE: гибрид Mamba2 и Transformer с latent mixture of experts и multi-token prediction. В README указано 550 млрд параметров всего и 55 млрд активных; метаданные каталога указывают 29,6 млрд параметров. Принимает и выдаёт текст, поддерживает английский язык. Метаданные указывают контекст 262 144 токена, тогда как README заявляет до 1 млн токенов. Модель предназначена для запуска через vLLM и PyTorch на Linux с ускорителями NVIDIA; README называет совместимость с Ampere, Hopper и Blackwell. Она готова к коммерческому и некоммерческому использованию, однако лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить её условия. Генерация математических доказательств может содержать ошибки и требует проверки.

OpenMath-Nemotron-14B — языковая модель NVIDIA для решения математических задач и рассуждений. Она создана дообучением Qwen/Qwen2.5-14B на наборе OpenMathReasoning и имеет плотную decoder-only архитектуру Qwen2.5 с 14 млрд параметров. Модель принимает текст и генерирует текст; заявлена поддержка контекста до 131 072 токенов. Модель предназначена для математических вычислений и исследований математического рассуждения. Поддерживает режимы пошагового рассуждения CoT, работы с инструментами TIR и выбора решения GenSelect. В README сообщается о результатах на математических бенчмарках и использовании одной из версий OpenMath-Nemotron в соревновании AIMO-2; приведённые в карточке числа относятся к другим размерам модели и сами по себе не характеризуют 14B. Модель выпущена под лицензией CC BY 4.0, а README заявляет готовность к коммерческому использованию. Она рассчитана на запуск на GPU NVIDIA; как генеративная модель может ошибаться в вычислениях и доказательствах, поэтому ответы требуют проверки.

Darwin-218B-Delphi — модель семейства Darwin от VIDRAFT FINAL-Bench для химии и научных рассуждений. Это объединённая производная Cohere Command A+, корейски ориентированной Darwin-218B-kr и химического дообучения; в README также описана дистилляция 993 примеров рассуждений по химии от внешней модели-учителя. Архитектура Cohere2 MoE содержит 218 млрд параметров, из которых активно около 25 млрд, и 128 экспертов. Модель предназначена для диалоговых ответов на научные вопросы, решения задач уровня аспирантуры и рассуждений по шести областям химии: органической, спектроскопии, физической, неорганической, аналитической и специальной. Для GPQA Diamond авторы приводят точность 86,87% в базовом режиме и 90,91% в каскаде DELPHI; это заявленные результаты авторов. Репозиторий использует Transformers и формат safetensors. Метаданные указывают английский и корейский языки; базовая модель также мультимодальна, однако карточка этой производной не описывает поддержку изображений во входах. Лицензия — Apache-2.0. Описание не приводит длину контекста. Показатели на тесте GPQA Diamond сами по себе не гарантируют точность ответов в других задачах; использование каскада DELPHI описано как отдельный режим инференса.

entfane/math-genius-7B-GGUF — это набор квантизированных версий языковой модели math-genius-7B, разработанной entfane. Квантизацию выполнил bartowski с использованием llama.cpp, включая метод imatrix. Модель предназначена для локальной генерации текста и запускается через llama.cpp, LM Studio и другие совместимые проекты. Исходная модель имеет размер 7B параметров, но README не содержит подробностей об архитектуре, поддерживаемых языках, модальностях или размере контекстного окна. Доступны варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K и Q6_K; низкобитные версии экономят память, но могут заметно уступать по качеству. Модель ориентирована на задачи, связанные с математической генерацией и рассуждениями, однако точные возможности и формат промптов в README не описаны. Условия лицензирования не указаны, поэтому перед использованием необходимо проверить лицензию исходной модели math-genius-7B и условия распространения квантизированных файлов.

jiosephlee/intern-s1-mini-context-conditioned-molecule-transfer-v10-3-tdc-pinned-carcinogens-2xcwcpul — дообученный чекпойнт Intern-S1-mini для переноса результатов между анализами канцерогенности молекул. Модель на архитектуре Qwen3, плотная, содержит 7,6 млрд параметров и принимает текст; репозиторий содержит полные веса в формате safetensors. Она предназначена для контекстно-зависимого ранжирования молекул по активности в анализах TDC Carcinogens и выдаёт текстовые ответы. Чекпойнт выбран по метрике ranking_validation/overall/knn_binary_macro_f1_at_5 со значением 0,7545. В качестве основы использована jiosephlee/Intern-S1-mini-lm, а для обучения — набор context-conditioned-molecule-transfer-v10.3-tdc-carcinogens-mixed-canonical-intern. Метаданные указывают контекст до 65 536 токенов. Сведения о лицензии в предоставленных материалах отсутствуют.

Fathom-R1-14B — 14-миллиардная плотная языковая модель от FractalAIResearch для генерации текста и решения задач с пошаговыми рассуждениями. Она дообучена на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-14B с использованием курируемых математических данных и итеративного обучения по сложности; авторы также описывают этап объединения моделей. Модель ориентирована прежде всего на сложные математические задачи, включая олимпиадные задачи AIME и HMMT. В README авторы сообщают о результатах на этих экзаменах при контексте обучения до 16K токенов; метаданные указывают нативный контекст 131072 токена. Модель использует архитектуру Qwen2 и распространяется в формате safetensors для Transformers. Она принимает текст и генерирует текст; метаданные также отмечают чатовый интерфейс и интерфейс вызова инструментов. В README указана лицензия MIT. Описанные результаты относятся к оценкам авторов и конкретным экзаменационным настройкам, поэтому не гарантируют точность на любых математических или иных запросах.

Mathstral 7B — языковая модель Mistral AI для математических и научных задач, созданная на основе Mistral 7B. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы; карточка показывает её использование в диалоговом режиме и приводит результаты математических бенчмарков, включая MATH и GSM8K. Модель предназначена для решения математических задач, пошаговых рассуждений и помощи с научными вопросами. В бенчмарках она показывает сильные результаты на ряде математических задач для моделей сопоставимого размера, хотя результаты зависят от набора данных и режима оценки. Карточка не перечисляет поддерживаемые естественные языки и не описывает отдельные ограничения качества. Лицензия — Apache 2.0.

OpenMed-ZeroShot-NER-Protein-Large-459M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белкам, белковым взаимодействиям и молекулярной биологии; размер модели — 459 млн параметров. Модель принимает текст и возвращает найденные сущности с типами и позициями. Основное назначение — извлечение белков, белковых комплексов, семейств и вариантов для анализа научной литературы, поиска белок-белковых взаимодействий и моделирования биологических путей. Zero-shot-интерфейс позволяет задавать типы сущностей при запросе без отдельного дообучения, хотя качество для типов, не представленных в обучающих данных, может быть ниже. Карточка сообщает F1 0,92 на тестовой выборке FSU, исключённой из обучения. Модель рассчитана прежде всего на англоязычный биомедицинский текст; лицензия — Apache-2.0. Результаты зависят от формулировки меток сущностей и порога предсказания, а заявленные показатели относятся к FSU и не гарантируют аналогичного качества на других корпусах или клинических сценариях.

Phi-4-mini-flash-reasoning — компактная языковая модель семейства Phi-4, разработанная Microsoft и дообученная на синтетических данных с упором на математические рассуждения. Она предназначена для многошагового решения задач, где важны логика, точность и низкие требования к вычислениям или задержке: от сложных текстовых задач и символических вычислений до построения формальных доказательств. Модель имеет 3,7 млрд параметров, архитектуру Phi4FlashForCausalLM и поддерживает генерацию текста и диалоговый режим. README заявляет контекст до 64 тыс. токенов, а метаданные каталога — 262 144 токена; фактический предел следует сверить с конфигурацией используемого чекпойнта. Модель рассчитана прежде всего на английский язык. По данным README, на отдельных математических бенчмарках она превосходит Phi-4-mini-reasoning и обеспечивает более высокую скорость декодирования в описанных условиях. Модель оптимизирована и оценивалась главным образом для математических рассуждений; её качество в других задачах и языках не гарантировано. Ответы требуют проверки, особенно при использовании в ответственных сценариях. Лицензия — MIT.

zbeeb/Qwen2.5-Math-7B-GRPO-Staleness-4 — дообученная модель семейства Qwen2.5, созданная на основе Qwen/Qwen2.5-Math-7B. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации решений математических задач; она поддерживает диалоговый режим и принимает текст, выдавая текст.

Qwen3-1.7B STEM Proof Distilled (DISC v3) — компактная причинно-языковая модель на архитектуре Qwen3, опубликованная Convergent Intelligence LLC. Это дообученная версия Qwen/Qwen3-1.7B, дистиллированная от Qwen3-30B-A3B на 6 122 примерах цепочек рассуждений по STEM-дисциплинам. Обучение усиливает внимание к ключевевым переходам в доказательствах и выводах с помощью взвешенной дистилляции, сглаживания высокоэнтропийных токенов и регуляризации структурного расхождения. Модель предназначена для генерации пошаговых решений и строгих выводов по математике, физике, инженерным дисциплинам и отдельным областям биологии. Она принимает текст и генерирует текст; карточка указывает 1,7 млрд параметров и контекст до 40 960 токенов. Среди заявленных сильных сторон — специализация на структуре доказательств и STEM-рассуждениях при компактном размере. Результаты могут быть ненадёжны вне этих областей или для задач, не представленных в обучающих данных; заявленный размер параметров в README отличается от метаданных. Лицензия — Apache-2.0.

Ulam-1-Small — языковая модель на 3,1 млрд параметров от Ulam AI для математических рассуждений, решения задач и исследовательской работы с доказательствами. Это плотная causal language model на архитектуре Qwen2; модель распространяется в формате BF16 для Transformers. В метаданных указан контекст 131 072 токена, однако фактическая длина доступного контекста зависит от памяти и настроек развертывания. Модель предназначена для исследовательского решения математических задач, подготовки рассуждений в стиле доказательств и изучения компактных моделей рассуждения. Она обучена на материалах по математическим олимпиадным задачам и исследовательским рассуждениям и поддерживает диалоговый режим. Основной язык карточки — английский. Сгенерированные доказательства, контрпримеры и утверждения могут содержать существенные ошибки и требуют независимой экспертной проверки; модель не является системой формальной верификации. Она также не проверена для вызова инструментов или автономной работы агента. Лицензия MIT разрешает коммерческое и некоммерческое использование.

AssayLLM-SFT — дообученная Genentech модель Qwen3.6-27B для планирования CRISPR-скринингов. На вход она принимает описание скрининга и список уже исследованных генов, а на выходе формирует ранжированный список из 100 символов генов HGNC, которые следует исследовать следующими. Модель предназначена для выбора кандидатов в экспериментах по геномике и биологии, в частности в цикле AssayLoop. Модель использует плотную архитектуру Qwen3.5 и формат весов safetensors; для запуска в README приведён пример с vLLM. В оценке на AssayBench-Loop вариант с SFT показал лучшие значения EF и nAUC, чем базовая Qwen3.6-27B, но уступил варианту с дополнительным обучением GRPO по ряду метрик. Качество оценивалось на конкретном бенчмарке, поэтому результаты не гарантируют аналогичную эффективность на других скринингах. Лицензия в предоставленных данных не указана.

AstroSage-8B — специализированная языковая модель AstroMLab для вопросов и исследований в астрономии, астрофизике и космологии. Это плотная авторегрессионная модель семейства Llama 3.1 с 7,5 млрд параметров и контекстом до 131 072 токенов, дообученная на научной литературе и наборах вопросов и ответов, а затем объединённая с Meta-Llama-3.1-8B-Instruct. Репозиторий содержит веса в формате safetensors; модель распространяется по лицензии Llama 3.1 Community License. Модель предназначена для ответов на вопросы по астрономии, помощи в изучении научной литературы, объяснения понятий, составления кратких обзоров и генерации идей для исследований. Она рассчитана преимущественно на английский язык и принимает текст, выдавая текст. Среди ограничений — возможны фактические ошибки и галлюцинации, качество сложных рассуждений ограничено размером модели, а сведения о публикациях могут быть воспроизведены неточно. Данные обучения имеют срез по январь 2024 года; оценка модели преимущественно проводилась на тестах с выбором ответа, поэтому результаты следует сверять с первоисточниками.

CFM-Methods-3B — компактная языковая модель MorphMind для первичной проверки методологии эмпирических исследований. Она принимает раздел с методами, экспериментальным дизайном или анализом и формирует структурированный текстовый вывод: оценивает обоснованность утверждения, указывает проблемный фрагмент и объясняет методологический риск. Модель построена на архитектуре Qwen2 и содержит 3,1 млрд параметров; базовая модель — Qwen/Qwen2.5-3B-Instruct, дообученная с использованием RLVR и вознаграждения за точную локализацию ошибки. Контекст — до 32 768 токенов. Модель предназначена для поиска таких проблем, как утечка данных, множественные сравнения без коррекции, необоснованный выбор выбросов, остановка эксперимента по результатам, смешение корреляции и причинности, а также загрязнение обучающей и тестовой выборок. Заявленные области применения включают статистику, машинное обучение, количественную биологию, эконометрику, материаловедение и химическую физику. Её можно использовать для предварительной самопроверки статей, сортировки рукописей и проверки экспериментальных планов, включая созданные ИИ; разработчик рекомендует разбирать по одному блоку методов за раз. Это исследовательская предварительная версия, рассчитанная на высокую полноту выявления проблем и работу с участием человека. Результаты бенчмарка и заявления о качестве приведены разработчиком и не являются независимой проверкой. Модель может пропускать ошибки или ошибочно помечать корректные методы, поэтому её выводы требуют экспертной проверки. Репозиторий использует формат Safetensors и библиотеку Transformers; лицензия указана как other, конкретные условия использования в карточке не приведены.

ChronoGPT-v1-20191231 — англоязычная авторегрессионная языковая модель, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Она предназначена для генерации текста с учётом хронологии и анализа задач, чувствительных к временным срезам, где важно снизить риск утечки будущих данных и смещения из-за заглядывания вперёд. Модель построена на модифицированной архитектуре modded-NanoGPT: трансформерный декодер с причинным языковым моделированием, примерно 1,552 млрд параметров, размерностью эмбеддингов 1536 и контекстом 1792 токена. Она предварительно обучена на разнообразных текстах с временными метками; в README также описана возможность извлекать эмбеддинги слоёв. По заявлению авторов, результаты на HellaSwag превосходят GPT-2 124M. ChronoGPT подходит для временно корректной генерации и экспериментов с историческим, экономическим и финансовым моделированием. Это не специализированная модель финансовых прогнозов: README не приводит оценок таких задач. Модель работает с английским текстом, а её лицензия — MIT.

Карточка модели manelalab/chrono-gpt-v1-20221231 на Hugging Face совпадает с карточкой manelalab/chrono-gpt-v1-20191231, поэтому описание составлено по ней. ChronoGPT-v1-20191231 — англоязычная авторегрессионная языковая модель, разработанная Songrun He, Linying Lv, Asaf Manela и Jimmy Wu. Она предназначена для генерации текста с учётом хронологии и анализа задач, чувствительных к временным срезам, где важно снизить риск утечки будущих данных и смещения из-за заглядывания вперёд. Модель построена на модифицированной архитектуре modded-NanoGPT: трансформерный декодер с причинным языковым моделированием, примерно 1,552 млрд параметров, размерностью эмбеддингов 1536 и контекстом 1792 токена. Она предварительно обучена на разнообразных текстах с временными метками; в README также описана возможность извлекать эмбеддинги слоёв. По заявлению авторов, результаты на HellaSwag превосходят GPT-2 124M. ChronoGPT подходит для временно корректной генерации и экспериментов с историческим, экономическим и финансовым моделированием. Это не специализированная модель финансовых прогнозов: README не приводит оценок таких задач. Модель работает с английским текстом, а её лицензия — MIT.