I.13Симуляция, моделирование и открытие нового

RobustRDP-Pretrain-SFT — мультимодальная модель Jingcz для разбора схем химических реакций по изображениям. Она дообучена на базе Qwen/Qwen2.5-VL-3B-Instruct в два этапа: предварительное обучение на синтетических диаграммах реакций и supervised fine-tuning для стандартного разбора, разбора с пространственными подсказками и устойчивого разбора при изменённых текстовых префиксах. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2.5-VL и формат safetensors; заявленная длина контекста — 128 000 токенов. Модель предназначена для извлечения представления химической реакции из диаграммы, в том числе с учётом указанных областей изображения. Она принимает изображения и текстовые инструкции, выдаёт текстовый результат. Карточка не уточняет формат или схему структурированного результата. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

SMILES2IUPAC-canonical-small — компактная модель Knowledgator Engineering для преобразования записей молекул в формате SMILES в канонические названия IUPAC. Она основана на MT5 и использует архитектуру encoder-decoder с механизмом внимания и отдельными токенизаторами для кодировщика и декодировщика. Модель поддерживает входы SMILES и выдаёт названия на английском языке; предусмотрен выбор предпочитаемого стиля названия с помощью стилевых токенов. Модель предназначена для автоматического присвоения химическим структурам систематических или распространённых названий и пакетной обработки таких преобразований. В приведённой оценке указаны точность 75% и BLEU-4 0,93. Лицензия Apache 2.0 допускает использование и модификацию на её условиях.

VBVR-Pro-SenseNova-U1 — это контрольная точка Neo-Unify, экспортированная из EMA-чекпойнта на шаге обучения 30 000 командой Video-Reason. Модель принимает исходное изображение и текстовую инструкцию и генерирует один или несколько последовательных ключевых кадров: каждый созданный кадр включается в контекст перед генерацией следующего. Она предназначена для визуального рассуждения через генерацию изображений и была представлена в исследовании VBVR-Pro о масштабируемом наборе проверяемых задач для такого рассуждения. Модель поддерживает генерацию изображений по тексту и исходному изображению; репозиторий использует Transformers и формат safetensors. Для загрузки нужен пользовательский код Transformers с параметром trust_remote_code=True. Лицензия — Apache-2.0. README описывает обучение и оценку на задачах визуального рассуждения, но не приводит размер модели, длину контекста или перечень поддерживаемых естественных языков. Для инференса требуется Linux, CUDA-совместимый GPU, PyTorch 2.5 или новее и Transformers 4.51 или новее; Transformers 5 пока не поддерживается. Предусмотрен инференс в bfloat16 на CUDA, CPU-инференс включённым скриптом не поддерживается. Повышение разрешения и числа кадров заметно увеличивает время работы и расход памяти.

ABForge-Qwen3-8B — дообученная исследовательская модель от SlowGuess для проектирования абляционных экспериментов по описанию методологии научной статьи. Получив методологию без раздела об абляциях, она предлагает цели абляционного анализа и составляет план экспериментов для каждой цели. Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и контекстом до 40 960 токенов. Обучение включало supervised fine-tuning и последующую оптимизацию GRPO на сбалансированной смеси двух задач; данные собраны из научных работ в области ML, NLP и компьютерного зрения. Карточка указывает английский язык. Модель поддерживает диалоговый интерфейс и интерфейс вызова инструментов, однако заявленная основная задача — генерация текста. В оценке AblationBench модель показала себя лучше базовой Qwen3-8B по выявлению целей и планированию абляций; результаты получены на 200 статьях с автоматической оценкой LLM-судьёй. Для ожидаемого формата ответа следует использовать шаблоны запросов из кода проекта и жадное декодирование. Модель распространяется по лицензии Apache-2.0.

Карточка модели allenai/BAR-2x7B-Tool-Use 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.

Intern-S1-mini — BBB Martins v27 L4 — это полноразмерный чекпойнт, полученный дообучением модели jiosephlee/Intern-S1-mini-lm командой, опубликовавшей репозиторий. Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров; для запуска указана библиотека Transformers, веса сохранены в формате safetensors. Она предназначена для генерации текста в сценариях переноса и ранжирования результатов анализов (assay) для набора BBB Martins (L4). Чекпойнт выбран по метрике ranking_validation/overall/knn_id_mae_ood_f1_error_at_3 со значением 0,3382. В репозитории также есть конфигурация модели, токенизатор и метрики чекпойнта; обучение было прервано после сохранения опубликованных весов. Контекст модели составляет до 65 536 токенов. Лицензия в предоставленных данных не указана.

Magma-8B — мультимодальная агентная модель Microsoft Research и исследовательских партнёров, предназначенная для работы с цифровой средой и роботами. Модель принимает текст и изображения и генерирует текстовые ответы и целевые планы действий. В README указаны сценарии навигации по интерфейсам, манипуляции объектами роботом, игры, а также понимание изображений и видео. Для пространственно-временной привязки и планирования используются Set-of-Mark, Trace-of-Mark и данные видео без разметки. Модель имеет плотную архитектуру MagmaForCausalLM и около 7,5 млрд параметров. Для неё указано контекстное окно в 8192 токена; опубликованные веса представлены в формате safetensors. README заявляет широкое исследовательское применение на английском языке. Лицензия — MIT. Модель не предназначена для производственного развёртывания и не была специально разработана или оценена для всех прикладных сценариев. Её ответы могут быть неточными, вымышленными, предвзятыми или оскорбительными; качество на языках помимо английского ниже. Не следует применять её в высокорисковых сценариях, включая финансы, оборону и критическую инфраструктуру.

NuminaMath-7B-TIR-GGUF — квантизированная в формате GGUF версия модели NuminaMath-7B-TIR, разработанной AI-MO и подготовленной квантизацией bartowski с использованием llama.cpp. Модель предназначена для генерации решений математических задач с пошаговыми рассуждениями, включая задачи, где может потребоваться выполнение кода или инструментов. В README приведён пример решения задачи на поиск целочисленных корней квадратного многочлена. Модель имеет размер 7B параметров в исходной версии и относится к моделям генерации текста. Доступны варианты от F32 до низкобитных квантизаций Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и Q3_K; размер файлов составляет примерно от 3,29 до 27,65 ГБ. Более высокие варианты квантизации обеспечивают лучшее сохранение качества, тогда как низкобитные версии требуют меньше оперативной памяти, но могут давать менее точные результаты. Формат ориентирован на запуск через llama.cpp и совместимые инструменты. README не содержит сведений об архитектуре базовой модели, максимальном контексте, поддерживаемых языках, мультимодальности, результатах бенчмарков или ограничениях математических рассуждений. Модель распространяется по лицензии Apache-2.0.

OpenMed-NER-ProteinDetect-ModernClinical-395M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная модель архитектуры ModernBERT для классификации токенов с примерно 394,7 млн параметров и контекстом до 8192 токенов. Она размечает упоминания белков, белковых комплексов, семейств и вариантов тегами BIO; README также указывает на распознавание других типов сущностей, но не перечисляет их полностью. Модель предназначена для извлечения сущностей из биомедицинской литературы и клинических текстов, включая поиск белков и анализ молекулярных взаимодействий. README сообщает F1 0,91 на корпусе FSU, однако результатов независимой проверки не приводит. Заявленные сценарии применения включают анализ научных публикаций, построение биомедицинских графов знаний и исследования в области системной биологии. Модель принимает токенизированный английский текст и выдаёт BIO-разметку сущностей. Репозиторий использует формат safetensors и совместим с экосистемой Hugging Face Transformers. Лицензия — Apache-2.0.

OREAL-32B — модель для математических рассуждений, разработанная командой InternLM. Она создана на базе OREAL-32B-SFT методом обучения с подкреплением по итоговому вознаграждению и предназначена для решения математических задач с пошаговым выводом. В README сообщается результат 95,0 pass@1 на MATH-500. Модель имеет плотную архитектуру Qwen2ForCausalLM с 32 млрд параметров, принимает текст и генерирует текст. Метаданные указывают контекстное окно 131 072 токена, поддержку диалогового режима и интерфейса вызова инструментов. В README описано использование шаблона чата с пользовательским вопросом и генерацией ответа. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Результаты на бенчмарках не гарантируют точность на любых математических задачах; модель может ошибаться в вычислениях и рассуждениях.

OREAL-7B-SFT — модель генерации текста, разработанная авторами серии OREAL как начальная политика для обучения с подкреплением. Это дообученная версия Qwen/Qwen2.5-7B с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; она предназначена прежде всего для математических рассуждений и диалогового взаимодействия. В карточке серии OREAL сообщается о результатах семейства на математических тестах, однако приведённые показатели относятся к OREAL-7B и OREAL-32B в целом и не позволяют отдельно оценить этот SFT-чекпойнт. Модель принимает текст и генерирует текст; для диалогов используется шаблон чата. Метаданные указывают контекст до 131 072 токенов. Модель распространяется в формате safetensors для Transformers по лицензии Apache-2.0. Ограничение: карточка описывает SFT-модель как начальную политику для последующего RL-обучения, поэтому результаты серии нельзя считать гарантией качества именно этого чекпойнта.

Pythagoras-Prover-4B-GGUF — набор квантизованных версий языковой модели Pythagoras-Prover-4B, разработанной Pythagoras-LM и подготовленной в формате GGUF пользователем tinyopsec. Модель предназначена для генерации текста, математического рассуждения и формального доказательства теорем, включая решение задач и построение пошаговых доказательств. Указан английский язык; модель поддерживает текстовую модальность и рассчитана на использование через llama.cpp, llama-cpp-python, LM Studio и Ollama. Модель имеет около 4 миллиардов параметров. Доступны варианты с точностью от F16 до Q2_K и объёмом примерно от 1,5 до 8,8 ГБ, что позволяет запускать её на видеокартах с разным объёмом памяти. Q4_K_M рекомендуется как компромисс между качеством и размером, а Q6_K — для случаев, когда важна близкая к исходной точность. Архитектура и размер контекстного окна в README не указаны; пример использования задаёт контекст 4096 токенов, но это не подтверждает максимальный размер контекста модели. Сильными сторонами являются специализация на математике и формальном доказательстве теорем, а также возможность локального запуска на относительно доступном оборудовании. Ограничения связаны с потерей качества в низкобитных вариантах квантизации, отсутствием заявленных бенчмарков и неизвестными характеристиками контекстного окна. Модель распространяется по лицензии Apache-2.0.

Qwen3-4B Math RL Specialist — это специализированная языковая модель для математических задач, созданная разработчиком pb09204048 на основе Qwen/Qwen3-4B. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, в том числе в диалоговом формате. Длина контекста — до 40 960 токенов по метаданным; в описанном протоколе оценки применялся контекст 24 576 токенов. Модель обучена методом domain RL с GRPO-подобными групповыми преимуществами на наборе zhuzilin/dapo-math-17k. Она предназначена для решения математических задач и может выступать учителем в экспериментах по многомодельной on-policy дистилляции. В оценке на AIME24 pass@1 составил 50,00% против 22,50% у базовой Qwen3-4B; математический прирост сопровождается более длинными ответами. Это отдельная модель-учитель: результаты обучения или оценки дистиллированной студенческой модели в релизе не представлены. Чекпойнт получен с помощью LoRA ранга 16, слитой с базовыми весами, и сохранён в BF16 в формате Safetensors. Для запуска в README указана совместимая версия Transformers с PyTorch и Accelerate. Лицензия — Apache-2.0.

Atom-Astronomy-7B — специализированная языковая модель VANTA Research для астрономии и астрофизики, дообученная на базе allenai/OLMo-3-7B-Instruct с помощью LoRA. Это плотный Transformer-декодер примерно с 6,9 млрд параметров; модель поддерживает контекст до 65 536 токенов и предназначена для генерации текста в диалоговом формате. В карточке указаны обучающие примеры по наблюдательной астрономии, физике звёзд, космологии, высокоэнергетической астрофизике и вычислительным методам. Модель рассчитана на англоязычные запросы и поддерживает математическую нотацию LaTeX. Модель предназначена для объяснения сложных астрономических понятий, разбора задач и выводов, проверки расчётов, помощи в обучении и работы с научными материалами. Разработчик сообщает о кратких технических ответах и высокой скорости на собственной оценке задач по астрофизике; эти результаты не являются независимой проверкой качества. Ограничения включают возможный перекос обучающих данных в сторону оптической и радиоастрономии и западных академических источников, а также меньший охват культурной астрономии и некоторых новых направлений. Лицензия — Apache 2.0.

Карточка модели allenai/BAR-2x7B-Code 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.

MatTPUSciBERT — англоязычная модель BERT, разработанная Лукой Фоппиано и Педро Ортисом Суаресом для понимания текстов по материаловедению. Это дообученная на полных текстах научных статей модель SciBERT; при обучении в словарь добавили 100 специализированных терминов. Модель содержит 137,1 млн параметров, принимает последовательности длиной до 512 токенов и доступна в форматах PyTorch и Safetensors. Основной режим работы — восстановление замаскированных слов в научном тексте. Модель также проверяли в задачах распознавания именованных сущностей для сверхпроводников и физических величин; приведённые результаты показывают сопоставимое с SciBERT качество на этих наборах. Карточка помечена как незавершённая работа. Лицензия в предоставленных данных не указана.

Карточка модели meta-math/MetaMath-70B-V1.0 на Hugging Face совпадает с карточкой meta-math/MetaMath-7B-V1.0, поэтому описание составлено по ней. MetaMath-7B-V1.0 — языковая модель семейства LLaMA, разработанная авторами MetaMath и дообученная для решения математических задач. Она обучена на MetaMathQA — дополненных тренировочных данных GSM8K и MATH; README указывает, что тестовые наборы при создании этих данных не использовались. В карточке также описана версия MetaMath-Llemma-7B на базе Llemma-7B, но связь этого чекпойнта с указанной базовой моделью не подтверждена метаданными. Модель предназначена для генерации ответов и рассуждений при решении задач по математике, включая задачи в стиле GSM8K и MATH. Это плотная архитектура LlamaForCausalLM с 6,6 млрд параметров, контекстом 4096 токенов и форматом PyTorch. Лицензия указана как llama2. README приводит результат Pass@1 30,0 на MATH для версии на базе Llemma-7B; этот показатель нельзя уверенно приписать именно репозиторию MetaMath-7B-V1.0.

abacusai/MetaMath-bagel-34b-v0.2-c1500 — языковая модель для генерации текста, дообученная на наборе MetaMathFewshot на основе pre-DPO Bagel. Карточка указывает на семейство Llama и плотную архитектуру LlamaForCausalLM; размер составляет 33,9 млрд параметров, контекст — до 200 000 токенов. Модель предназначена для диалогового применения и задач математического рассуждения в формате few-shot. В README приведено сравнение с MetaMath-Mistral-7B, но таблица результатов этой модели не заполнена, поэтому оценить её качество по указанным бенчмаркам нельзя. Репозиторий содержит веса Safetensors. Лицензия — Apache 2.0.

Карточка модели NostraEmpire/mirror-qwen2.5-math-7b-instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-7B-Instruct, поэтому описание составлено по ней. Qwen2.5-Math-7B-Instruct — языковая модель Qwen, разработанная командой Qwen и дообученная для решения математических задач по инструкциям. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; она работает с текстом, поддерживает контекст до 4096 токенов и доступна в формате safetensors для Transformers. Модель предназначена прежде всего для решения задач по математике на английском и китайском языках. Она использует пошаговое рассуждение (CoT) и Tool-integrated Reasoning (TIR), который помогает с точными вычислениями, символьными преобразованиями и алгоритмическими задачами. Авторы не рекомендуют применять её для задач вне математики. Модель распространяется по лицензии Apache-2.0. Для запуска требуется Transformers версии 4.37.0 или новее.

OpenMath2-Llama3.1-70B — модель NVIDIA, полученная дообучением Meta Llama 3.1 70B Base на наборе OpenMathInstruct-2. Она предназначена для решения математических задач и генерации пошаговых ответов в диалоге, использующем формат чата Llama 3.1. Модель содержит 69,5 млрд параметров, построена на плотной архитектуре Llama и работает с контекстом до 131 072 токенов. В README указано, что на тесте MATH модель превосходит Llama 3.1 70B Instruct на 3,9%. Это специализированный чекпойнт: он не проходил дообучение на общих инструкциях, поэтому качество ответов за пределами математики может быть низким. Поддерживаемый язык карточки — английский. Для использования действуют условия лицензии Llama 3.1, включая лицензионные условия, политику допустимого использования и политику конфиденциальности Meta.

OpenMed-NER-ProteinDetect-TinyMed-82M — модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная для классификации токенов модель на архитектуре RoBERTa, основанная на distilroberta-base; в метаданных указано 95,2 млн параметров и контекст до 514 токенов. Модель принимает токенизированный текст и возвращает метки BIO для белков, белковых комплексов, семейств и вариантов белков и связанных сущностей. Модель предназначена для извлечения белковых сущностей из научной литературы и биомедицинских текстов, например для анализа взаимодействий белков, поиска сведений по молекулярной биологии и построения биомедицинских баз знаний. В README приведены результаты на корпусе FSU: F1 0,94, точность 0,93 и полнота 0,95; эти показатели относятся к указанному набору данных и не гарантируют такого же качества на других текстах. Поддерживается английский язык. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Protein-Base-220M — специализированная модель OpenMed для распознавания сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белковым взаимодействиям и молекулярной биологии. Модель принимает текст и возвращает обнаруженные сущности с типами. Основное назначение — поиск белков, белковых комплексов, семейств и вариантов белков, а также связанных молекулярно-биологических сущностей. Нулевой режим позволяет задавать типы сущностей при запросе без отдельного дообучения под каждую категорию. Это подходит для извлечения данных из научной литературы и поддержки анализа белок-белковых взаимодействий и биологических путей. В README приведён F1 0,85 на тестовом наборе FSU, исключённом из обучения. Модель ориентирована на англоязычные биомедицинские тексты. Она выпущена в формате PyTorch под лицензией Apache-2.0. Заявления README о распознавании произвольных типов сущностей и высокой точности не гарантируют одинакового качества для редких меток или клинических текстов; порог предсказания может потребовать настройки.

OpenMed-ZeroShot-NER-Protein-Multi-209M — модель OpenMed для распознавания именованных сущностей в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белкам и молекулярной биологии. Модель поддерживает zero-shot извлечение сущностей: пользователь может задавать типы сущностей при запуске без отдельного дообучения под каждую задачу. Основная специализация — обнаружение белков, белковых комплексов, семейств и вариантов. Модель предназначена для анализа научной литературы и других биомедицинских текстов, в том числе для майнинга взаимодействий белок–белок, анализа путей и системной биологии. Метаданные указывают задачу token-classification и поддержку английского языка; репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. В README приведён F1 0,78 на тестовом наборе, исключённом из обучения; заявленные показатели в таблице сравнения относятся к вариантам других размеров и не должны переноситься на эту модель. Качество может зависеть от выбранных меток и порога предсказания; заявленная возможность задавать произвольные типы сущностей не гарантирует одинаковой точности для типов, не представленных в обучающих данных.

Карточка модели allenai/BAR-2x7B-Safety 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.

TokSuite–BLOOM — базовая языковая модель из набора TokSuite, созданного для изучения влияния токенизатора на поведение языковых моделей. Она разработана как контролируемая исследовательская модель: архитектура, данные, бюджет обучения и инициализация совпадают с другими моделями набора, а выбранный токенизатор — BLOOM. Это декодерный Transformer семейства Llama, около 1,8 млрд параметров, с контекстом до 8192 токенов по метаданным. Токенизатор использует BPE, словарь на 250 680 элементов и обработку вне словаря через байтовый fallback. Модель обучена на многоязычном корпусе примерно из 100 млрд токенов: английских данных и данных на китайском, турецком, итальянском и фарси. Она подходит для анализа токенизации, сравнительных экспериментов и оценки устойчивости языковых моделей к опечаткам, вариантам написания, Unicode-символам и другим текстовым искажениям. Это базовая модель без настройки на инструкции и диалог; она не предназначена для непосредственного пользовательского применения. Выпущена под лицензией MIT.

Eklav-9B-Math — плотная языковая модель для генерации текста и решения математических задач, разработанная автором репозитория AdarshSingh7647 методом Eklav, или hint conditioned SFT. Она дообучена на базе zai-org/GLM-Z1-9B-0414 и содержит 8,8 млрд параметров; архитектура GLM-4, библиотека Transformers, формат весов safetensors. Модель учится продолжать частичную цепочку рассуждений учителя и самостоятельно получать ответ, а не воспроизводить полную цепочку целиком. Контекст — до 32 768 токенов. Модель предназначена для математических рассуждений и генерации ответов в диалоговом формате. В README приведены результаты pass@1 на AIME, GSM8K, MATH-500, Omni-MATH и других тестах; в сравнении со стандартной дистилляцией полных цепочек рассуждений показатели отличаются в зависимости от бенчмарка. Лицензия в предоставленных данных не указана.

INTELLECT-MATH — языковая модель Prime Intellect на 7,1 млрд параметров для математических рассуждений. Она основана на архитектуре Qwen2 и обучена в два этапа: дообучение на проверенных ответах QwQ и последующее обучение с подкреплением по рецепту PRIME-RL. Модель предназначена для решения математических задач и пошагового рассуждения. В карточке приведены результаты на MATH-500, OLYMPIADBENCH и AIME 2024; авторы сообщают, что модель превосходит Eurus-2-PRIME и достигает сопоставимых результатов при более коротком обучении с подкреплением. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, предусмотрен чатовый сценарий использования. Модель выпущена под лицензией MIT. Опубликованные результаты относятся к математическим бенчмаркам; карточка не подтверждает качество в других областях. Язык данных явно не указан.

Карточка модели PrimeIntellect/INTELLECT-MATH-SFT на Hugging Face совпадает с карточкой PrimeIntellect/INTELLECT-MATH, поэтому описание составлено по ней. INTELLECT-MATH — языковая модель Prime Intellect на 7,1 млрд параметров для математических рассуждений. Она основана на архитектуре Qwen2 и обучена в два этапа: дообучение на проверенных ответах QwQ и последующее обучение с подкреплением по рецепту PRIME-RL. Модель предназначена для решения математических задач и пошагового рассуждения. В карточке приведены результаты на MATH-500, OLYMPIADBENCH и AIME 2024; авторы сообщают, что модель превосходит Eurus-2-PRIME и достигает сопоставимых результатов при более коротком обучении с подкреплением. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, предусмотрен чатовый сценарий использования. Модель выпущена под лицензией MIT. Опубликованные результаты относятся к математическим бенчмаркам; карточка не подтверждает качество в других областях. Язык данных явно не указан.

Карточка модели PrimeIntellect/INTELLECT-MATH-step-47 на Hugging Face совпадает с карточкой PrimeIntellect/INTELLECT-MATH, поэтому описание составлено по ней. INTELLECT-MATH — языковая модель Prime Intellect на 7,1 млрд параметров для математических рассуждений. Она основана на архитектуре Qwen2 и обучена в два этапа: дообучение на проверенных ответах QwQ и последующее обучение с подкреплением по рецепту PRIME-RL. Модель предназначена для решения математических задач и пошагового рассуждения. В карточке приведены результаты на MATH-500, OLYMPIADBENCH и AIME 2024; авторы сообщают, что модель превосходит Eurus-2-PRIME и достигает сопоставимых результатов при более коротком обучении с подкреплением. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, предусмотрен чатовый сценарий использования. Модель выпущена под лицензией MIT. Опубликованные результаты относятся к математическим бенчмаркам; карточка не подтверждает качество в других областях. Язык данных явно не указан.

MiMo-7B GDN Hybrid — stage3-1.6B-OPD — это экспериментальный чекпойнт arianraje, полученный с помощью on-policy distillation (OPD) на основе MiMo-7B-RL-0530 и промежуточной модели семейства MiMo GDN. Архитектура сочетает слои внимания Qwen2 и Gated DeltaNet в пропорции 1:4; модель содержит 7 млрд параметров и принимает текст, выдавая текст. Окно контекста — 65 536 токенов. Модель предназначена для математических рассуждений и решения задач, в частности для оценки ответов на AIME и MATH-500. В README приведены результаты на этих тестах, но отмечено, что выборка AIME мала и её показатели служат лишь индикатором тенденций. Модель может подойти для экспериментов с длинным контекстом и диалоговыми сценариями. Для загрузки требуется регистрация пользовательской архитектуры mimo_gdn из репозитория обучения, Transformers 4.57.x и flash-linear-attention 0.5.x. Модель распространяется по лицензии MIT.