I.13Симуляция, моделирование и открытие нового

Карточка модели manelalab/chrono-gpt-v1-20241231 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.

VGS-AI/DeepSeek-VM-1.5B — value-модель объёмом 1,5 млрд параметров, разработанная для управления поиском при рассуждении методом цепочки мыслей (Chain-of-Thought) и повышения его эффективности. Она основана на архитектуре Qwen2 и реализована как модифицированный классификатор Qwen2ForClassifier; модель предназначена для оценки вариантов рассуждения и помощи в выборе направления поиска. Модель принимает текст и выдаёт оценки, используемые для направления поиска в процессе генерации рассуждений. В метаданных указан контекст до 131 072 токенов и формат весов safetensors. README связывает модель с методом Value-Guided Search, описанным в научной работе. Лицензия в предоставленных данных не указана.

Delphi-1e23-25Bparams-628Btokens — базовая предобученная языковая модель команды Marin, выпущенная как часть исследовательской серии Delphi по законам масштабирования. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM, содержащая около 24,96 млрд параметров. Она обучена на 628 млрд токенов с вычислительным бюджетом 1 × 10²³ FLOPs; нативная длина контекста — 4096 токенов. Модель предназначена для генерации и продолжения текста, а также для изучения масштабирования качества при изменении вычислительного бюджета, размера модели и объёма данных. Marin описывает Delphi как набор моделей и методику, позволяющую прогнозировать потери и результаты на downstream-бенчмарках; этот чекпойнт входит в оценочный набор серии. Обучение проводилось преимущественно на англоязычной смеси веб-данных, кода и математических текстов. Модель не проходила настройку на инструкции, RLHF или выравнивание безопасности, поэтому её ответы не оптимизированы для диалога и могут быть непредсказуемыми. Распространяется под лицензией Apache-2.0; авторы позиционируют её как исследовательский артефакт, а не готовую производственную модель.

P1-235B-A22B — открытая большая языковая модель серии P1, разработанная для решения задач по физике и научного рассуждения. Она основана на Qwen3-235B-A22B-Thinking-2507 и дообучена в несколько этапов с помощью обучения с подкреплением на отобранных данных физических олимпиад. Архитектура — Qwen3 MoE; заявлены 18,2 млрд параметров и контекст до 262 144 токенов. Модель предназначена прежде всего для разбора и решения сложных задач по физике, в том числе олимпиадного уровня. Карточка также приводит результаты на математических и общих STEM-бенчмарках и указывает поддержку диалогового режима и интерфейса вызова инструментов. Указанные в README медальные результаты относятся к оценкам на соревнованиях и бенчмарках, а результат с PhysicsMinions — к системе с несколькими агентами. Модель принимает текст и генерирует текст; в карточке указаны английский и многоязычный режимы. Веса опубликованы в формате Safetensors по лицензии Apache-2.0. В README не приведены подробные сведения о составе обучающих данных и ограничениях качества за пределами описанных оценок.

Карточка модели Openintelligent123/Phi-4-mini-reasoning на Hugging Face совпадает с карточкой microsoft/Phi-4-mini-reasoning, поэтому описание составлено по ней. Phi-4-mini-reasoning — компактная языковая модель Microsoft семейства Phi-4 на архитектуре Phi3ForCausalLM с 3,8 млрд параметров. Она дообучена на синтетических данных с упором на математические рассуждения и поддерживает генерацию текста; в метаданных указан контекст 4096 токенов. Модель предназначена для пошагового решения сложных математических задач при ограничениях по памяти, вычислительным ресурсам и задержке. Её можно применять для решения задач по математике, символьных вычислений, формальных доказательств и учебного тьюторства. В карточке также заявлена поддержка контекста до 128 тысяч токенов, что расходится с длиной контекста в метаданных. Модель разработана и выпущена Microsoft по лицензии MIT. Она ориентирована прежде всего на математические рассуждения, а не на все типы задач; из-за компактного размера может ошибаться в фактах. Карточка рекомендует оценивать точность и безопасность для конкретного применения.

quinex-context-v0-248M — модель Juelich Systems Analysis, дообученная на базе FLAN-T5 для извлечения контекста измеряемых величин из текста. Она отвечает на последовательные вопросы о том, какое свойство выражает величина, к какому объекту относится измерение и какие у него есть уточнения: временная и пространственная область, источник, метод измерения и другие ограничения. Для предварительного обнаружения величин авторы рекомендуют использовать отдельные quantity identification models. Модель построена на архитектуре encoder-decoder T5; метаданные указывают 123,8 млн параметров и контекст 512 токенов, тогда как название и карточка модели указывают 248M. Она принимает текст и выдаёт текстовые ответы; заявленный язык — английский. В карточке приведена оценка micro F1 86,31 на описанном авторами тестовом наборе. Это специализированный экстрактор, а качество за пределами оценённого набора не установлено. Лицензия — Apache-2.0.

Hao0oWang/Qwen2.5-Math-7B-16k-think — модель на архитектуре Qwen2, основанная на Qwen2.5-Math-7B-Base и использованная как базовая модель в CurioSFT. В README указано, что она связана с работой «Learning While Staying Curious: Entropy-Preserving Supervised Fine-Tuning via Adaptive Self-Distillation for Large Reasoning Models». Модель предназначена для генерации текста и рассуждений, в частности решения математических задач. Веса представлены в формате safetensors, размер модели — 7,1 млрд параметров, контекстное окно — 16 384 токена. Для модели изменены chat template и rope_theta, а контекстное окно настроено для рассуждений на длинном контексте. Она поддерживает чатовый сценарий и опубликована под лицензией MIT. README не сообщает результаты оценки качества или конкретные ограничения применения; математическая специализация следует из названия и базовой модели.

Skywork-OR1-Math-7B-GGUF — это набор квантизированных версий текстовой генеративной модели Skywork-OR1-Math-7B, разработанной Skywork и преобразованной в формат GGUF пользователем bartowski. Квантизация выполнена с помощью llama.cpp b5074 с использованием метода imatrix и предназначена для локального запуска через llama.cpp, LM Studio и другие совместимые проекты. Модель ориентирована на задачи генерации текста, прежде всего на математическое рассуждение и решение задач. Она имеет размер 7B параметров; из README подтверждена текстовая модальность, однако языки, размер контекста и подробности архитектуры не указаны. Доступны версии от BF16 до низкобитных вариантов Q2 и IQ3, поэтому можно выбирать между качеством ответов, требованиями к памяти и скоростью работы. Для использования предусмотрен специальный формат prompt с системным сообщением, запросом пользователя и секцией рассуждений. Сильной стороной набора является широкий выбор квантизаций: варианты Q4–Q6 отмечены как рекомендуемые и обеспечивающие хорошее или очень высокое качество при меньшем размере файлов, а более компактные версии подходят для систем с ограниченным объёмом оперативной памяти. Низкобитные варианты могут заметно уступать по качеству. Лицензия в предоставленном README не указана; перед использованием следует проверить условия лицензирования исходной модели Skywork/Skywork-OR1-Math-7B.

TopologicalQwen — языковая модель Convergent Intelligence LLC, обученная методом топологической дистилляции знаний. Это плотная causal language model на архитектуре Qwen3ForCausalLM с 1,7 млрд эффективных параметров; она основана на дообученной модели reaperdoesntknow/Qwen3-1.7B-Distilled-30B-A3B-SFT. Заявленная длина контекста — 40 960 токенов. Модель предназначена для генерации текста и диалоговых ответов с рассуждениями, в особенности по физике: дифференциальным уравнениям, теоретической механике, электромагнетизму и общей теории относительности. В README описан формат DualMind: вывод включает последовательность рассуждения, самокритики и итогового ответа. Метод обучения, согласно карточке, отдельно учитывает плавные изменения распределения учителя, резкие переходы между темами и постепенный дрейф. Языки модели в карточке не обозначены, поэтому языковую поддержку нельзя конкретизировать. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка заявляет о структурном качестве рассуждений, однако не приводит независимых бенчмарков или результатов сравнения, поэтому это утверждение нельзя считать подтверждённой оценкой качества. Небольшой размер модели также ограничивает основания ожидать сопоставимой с крупной моделью глубины рассуждений; предпочтительно проверять ответы в задачах, где важна точность.

Карточка модели manelalab/chrono-gpt-v1-19991231 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.

Карточка модели manelalab/chrono-gpt-v1-20181231 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.

Карточка модели manelalab/chrono-gpt-v1-20201231 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.

DeepSeek-V4-Pro-Qwen3.5-4B — компактная модель для генерации текста и рассуждений, опубликованная Jackrong. Она представляет собой дообученную версию Qwen3.5-4B, обученную на ответах DeepSeek-V4-Pro в режиме Max Effect. Модель ориентирована на воспроизведение многошаговых рассуждений, декомпозицию задач и решение задач математики и STEM; заявленный учебный набор включает около 250 000 соответствующих примеров. Модель содержит около 4 млрд параметров и поставляется в формате GGUF, что делает её подходящей для более доступного локального развертывания по сравнению с крупными моделями. Указаны поддерживаемые языки английский и китайский, задача — text generation. В README также упоминается оценка MTP-Q8, а проверка проводилась на полных запусках GSM8K и фиксированных выборках MMLU-Pro по математике, физике и химии, однако конкретные результаты не приведены. Сильные стороны модели — компактный размер, специализация на математическом и научном рассуждении и использование дистилляции от более мощной модели. Ограничениями являются меньший масштаб относительно исходной модели-учителя и отсутствие в представленном описании подробных данных о точности, максимальном контексте, архитектуре и мультимодальных возможностях, поэтому её качество в общих задачах и поддержка других сценариев не подтверждены. Лицензия — Apache-2.0.

internlm2-math-plus-7b-IMat-GGUF — это квантизированная версия языковой модели internlm/internlm2-math-plus-7b, подготовленная пользователем legraphista в формате GGUF для запуска через llama.cpp. Базовая модель имеет размер 7B параметров, исходный тип данных BF16 и ориентирована на генерацию текста, прежде всего на математические задачи. Заявлены английский и китайский языки; поддержка других модальностей и размер контекста в README не указаны. Репозиторий предоставляет варианты с разными уровнями квантизации — от BF16 и FP16 до Q2, Q3, Q4, Q5, Q6, Q8 и IQ — что позволяет выбирать между качеством ответов и требованиями к памяти. Для ряда вариантов применена IMatrix-квантизация, предназначенная для улучшения сохранения качества при уменьшенной разрядности. Модель подходит для локального текстового вывода и математических сценариев при использовании совместимого ПО, однако квантизация может снижать точность по сравнению с исходной BF16-моделью, особенно на наиболее компактных вариантах. В README указана лицензия other, без дополнительных условий ее использования.

Карточка модели allenai/BAR-2x7B-Math-SFT на Hugging Face совпадает с карточкой allenai/BAR-2x7B-Math, поэтому описание составлено по ней. BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

LFM2-350M-Math — компактная языковая модель Liquid AI для решения сложных математических задач. Это дообученная версия LFM2-350M с плотной архитектурой LFM2; в репозитории указано 444,6 млн параметров, поддержка контекста до 128 000 токенов и формат safetensors. Модель принимает текст и генерирует текстовые ответы в диалоговом шаблоне, рассчитана на английский язык. Модель предназначена для математических задач, требующих пошагового рассуждения и проверки ответа, включая сложные олимпиадные задачи. Разработчик рекомендует однократные диалоги и жадное декодирование с заданными параметрами генерации; системный промпт не рекомендуется. Компактный размер ориентирован на низкую задержку и локальный запуск на периферийных устройствах. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

Nomos 1 — специализированная модель Nous Research, разработанная в сотрудничестве с Hillclimb AI на основе Qwen/Qwen3-30B-A3B-Thinking-2507. Она предназначена для решения математических задач и написания доказательств на естественном языке. Модель использует архитектуру Qwen3 MoE и поддерживает контекст до 262 144 токенов; число параметров в метаданных указано как 2,6 млрд. Для запуска авторы рекомендуют использовать Nomos Reasoning Harness и обходиться без системного промпта. В тесте Putnam 2025 модель набрала 87 из 120 баллов при работе с Nomos Reasoning Harness; базовая Qwen3-30B-A3B-Thinking-2507 в тех же условиях набрала 24 из 120. Это результат конкретной оценки с указанной оболочкой, а не гарантия качества для других задач. Модель распространяется по лицензии Apache-2.0.

OpenMath-Nemotron-1.5B — языковая модель NVIDIA для решения математических задач. Она получена дообучением Qwen/Qwen2.5-Math-1.5B на наборе OpenMathReasoning. Это декодерный трансформер Qwen2.5 с 1,5 млрд параметров; модель принимает текст и генерирует текст, поддерживая контекст до 131 072 токенов. Модель предназначена для математических рассуждений и предлагает режимы пошагового решения (CoT), рассуждения с использованием инструментов (TIR) и выбора решения (GenSelect). В README приведены результаты на математических бенчмарках, но они не гарантируют точность для каждой задачи. Метаданные указывают английский язык; модель построена на математической версии Qwen, для которой каталог также отмечает английский и китайский. Лицензия — CC BY 4.0; README сообщает о готовности к коммерческому использованию.

OpenMed-ZeroShot-NER-Protein-Small-166M — специализированная модель OpenMed для извлечения белковых сущностей из биомедицинских текстов. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белкам, белковым взаимодействиям и молекулярной биологии. Размер модели по названию — 166 млн параметров; формат файлов — PyTorch. Модель выполняет распознавание именованных сущностей с нулевым обучением: пользователь задаёт типы сущностей, например белки, белковые комплексы, семейства и варианты, и получает их метки и фрагменты в тексте. Она предназначена для извлечения белковых сущностей из научной литературы и поддержки анализа взаимодействий белок–белок, сигнальных путей и системной биологии. В README приведён F1 0,75 на тестовых данных FSU; для редких или пользовательских типов сущностей предлагается экспериментировать с порогом обнаружения. Модель принимает текст и выдаёт размеченные сущности. В карточке заявлена поддержка английского языка. Распространяется по лицензии Apache-2.0. Показатель на FSU не гарантирует такую же точность на других корпусах и типах текста; обнаружение произвольных типов сущностей может требовать настройки порога.

OREAL-DeepSeek-R1-Distill-Qwen-7B — языковая модель для математических рассуждений, разработанная авторами проекта OREAL и дообученная на DeepSeek-R1-Distill-Qwen-7B методом обучения с подкреплением по результату. В карточке описана серия OREAL, использующая outcome reward-based reinforcement learning для задач с бинарной оценкой результата; для этой версии указана архитектура Qwen2, 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации пошаговых решений математических задач и диалогового использования через chat template. Авторы сообщают о результате 94,0 pass@1 на MATH-500 для 7B-модели OREAL; этот показатель относится к заявленной оценке разработчиков и не гарантирует аналогичное качество на других задачах. Модель работает с текстом и ориентирована прежде всего на математические рассуждения; README не задаёт отдельные языки обучения или использования. Модель распространяется в формате Safetensors для Transformers по лицензии Apache-2.0. В README описаны длинные цепочки рассуждений и обучение на задачах с разреженной бинарной наградой; поэтому ответы могут содержать много промежуточных рассуждений, а качество зависит от предметной области и формулировки задачи.

Symiotic-14B — дообученная модель семейства Qwen3 с 14 млрд параметров, разработанная Convergent Intelligence LLC. Она предназначена для диалоговых агентов с памятью, многошаговых рассуждений, математических задач, планирования доказательств и генерации кода. В карточке заявлена гибридная символьная архитектура с постоянной памятью, маршрутизацией между модулями и контекстом до 40 960 токенов; эти архитектурные заявления не подтверждены результатами тестирования. Модель принимает текст и генерирует текст. В метаданных указан английский язык, а базовая Qwen3-14B описана как многоязычная. Модель распространяется в формате safetensors по лицензии AFL-3.0. Карточка отмечает, что память требует подготовки и наполнения, модель не настроена на универсальные вопросы и генерация может требовать много видеопамяти.

Карточка модели allenai/BAR-2x7B-Base на Hugging Face совпадает с карточкой allenai/BAR-2x7B-Math, поэтому описание составлено по ней. BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

Карточка модели allenai/BAR-2x7B-Code-SFT на Hugging Face совпадает с карточкой allenai/BAR-2x7B-Math, поэтому описание составлено по ней. BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

Карточка модели allenai/BAR-7B на Hugging Face совпадает с карточкой allenai/BAR-2x7B-Math, поэтому описание составлено по ней. BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

CauSight — мультимодальная модель «текст–изображение» для визуального причинного вывода, разработанная OpenCausaLab. Она анализирует визуальные сцены и рассуждает о причинно-следственных связях между объектами и событиями. В README описаны подготовка данных, синтез траекторий рассуждения Tree-of-Causal-Thought и обучение с подкреплением на основе специальной причинной функции награды. Модель представлена в исследовательской работе о визуальном причинном выводе. Модель построена на архитектуре Qwen2.5-VL, содержит 7,1 млрд параметров и рассчитана на контекст до 128 000 токенов. Карточка указывает английский язык, формат safetensors и лицензию Apache-2.0. README сообщает о результатах выше GPT-4.1 на задаче визуального причинного вывода, но не приводит в предоставленном тексте численных результатов или подробностей оценки.

Cedar-GRPO-Qwen2.5-Math-7B — полноразмерный чекпойнт Qwen2.5-Math-7B, дообученный zbeeb методом GRPO на наборе Cedar GRPO DAPO Math из 17 005 примеров. Это плотная авторегрессионная модель семейства Qwen2, содержащая 7,1 млрд параметров и предназначенная для генерации решений математических задач в диалоговом формате. Модель принимает текст и генерирует текст; заявленные языки — английский и китайский. Контекст составляет 4 096 токенов. Обучение проводилось с проверкой математической эквивалентности конечного ответа; отдельная языковая модель-судья и награда за форматирование не применялись. Репозиторий содержит веса в сохранённой плавающей точке, разбитые на файлы Safetensors, и токенизатор. README приводит самооценку итогового запуска на математических тестах, однако численные результаты в доступном тексте не приведены. Лицензия — Apache-2.0.

ChemDFM-v2.0-14B — диалоговая языковая модель для химии и молекулярных наук, разработанная командой OpenDFM. Это версия ChemDFM без режима рассуждений; её обучали на базе Qwen2.5-14B, улучшив доменное предварительное обучение и настройку по инструкциям. В корпус добавили молекулы и реакции, сведения о функциональных группах и свойствах, а набор инструкций расширили по задачам и формулировкам. Модель предназначена для диалога и генерации ответов на химические вопросы, включая работу с молекулярной информацией и обозначениями SMILES. Имеет архитектуру Qwen2, 14 млрд параметров и контекст до 131 072 токенов; заявлены английский и китайский языки. Для нормализации SMILES авторы рекомендуют предварительную канонизацию с помощью RDKit. Модель может выдавать неверную или вводящую в заблуждение информацию, поэтому результаты следует проверять с химическими экспертами. Лицензия — AGPL-3.0.

Instella-3B-Math — языковая модель AMD с 3 млрд параметров, предназначенная для математических задач и пошаговых рассуждений. Это дообученная версия amd/Instella-3B-Instruct с архитектурой InstellaForCausalLM; модель принимает текст и генерирует текст. Она обучалась в несколько этапов: на математических примерах с учителем и с подкреплением по алгоритму GRPO. Для обучения использовались наборы OpenMathInstruct-2, AM-DeepSeek-R1-Distilled-1.4M, Big-Math-RL-Verified, DeepMath-103K и DeepScaleR-Preview-Dataset. Модель подходит для решения математических задач, подготовки разборов и развёрнутых цепочек рассуждений, в том числе для задач повышенной сложности. Контекст составляет до 32 768 токенов. В метаданных указан английский язык; заявленные мультиязычные возможности не проверялись. AMD выпустила веса, код обучения и наборы данных в открытом доступе. Лицензия обозначена как other, поэтому условия использования следует уточнить в материалах репозитория. Авторы предупреждают, что модель предназначена для исследований и не гарантирует точность или безопасность ответов.

unsloth/Phi-4-mini-reasoning — компактная текстовая модель семейства Phi-4, опубликованная Unsloth и дообученная на базе microsoft/Phi-4-mini-reasoning. Это плотный трансформер с 3,8 млрд параметров; метаданные указывают контекст 4096 токенов. Модель предназначена для многошагового математического рассуждения, логических задач и генерации решений в условиях ограниченных вычислительных ресурсов и низкой задержки. Она подходит для решения сложных текстовых задач по математике, символических вычислений и пошаговых объяснений, в том числе в учебных помощниках и облегчённых локальных приложениях. README исходной модели сообщает о контексте до 128 тысяч токенов, но метаданные этого репозитория указывают 4096, поэтому для данной версии следует ориентироваться на значение из метаданных. Модель может ошибаться в фактах и не оценивалась для всех прикладных сценариев; результаты нужно проверять, особенно в чувствительных областях. Лицензия — MIT.

heretic-org/Phi-4-mini-reasoning-heretic — производная версия Microsoft Phi-4-mini-reasoning, изменённая методом abliteration, который снижает частоту отказов модели. Это компактная трансформерная языковая модель с 3,8 млрд параметров, предназначенная прежде всего для многошагового математического рассуждения, решения логических задач и генерации объяснений в условиях ограниченных вычислительных ресурсов или требований к низкой задержке. По карточке модели, в сравнении с исходной версией доля отказов в указанной проверке снизилась с 84 до 9 из 100, при этом зафиксировано ненулевое расхождение распределений ответов (KL divergence 0,4867). Модель принимает текстовые запросы и генерирует текст. Она подходит для решения математических задач, формальных доказательств, символьных вычислений и учебного сопровождения. README указывает контекст 128K токенов, тогда как метаданные репозитория указывают native context 4096 токенов; фактически доступная длина контекста может зависеть от конфигурации и реализации. Карточка характеризует исходную Phi-4-mini-reasoning как проверенную преимущественно для математических рассуждений, а также предупреждает о фактических ошибках, ограниченной ёмкости и возможном снижении качества на разных языках. Лицензия репозитория — MIT.