I.13Симуляция, моделирование и открытие нового

Mistral-7B-ScaleQuest — языковая модель на основе Mistral, представленная в проекте ScaleQuest как модель для решения математических задач. Она дообучена на синтетическом наборе ScaleQuest-Math, созданном методом генерации вопросов с нуля, и предназначена для получения решений по математическим задачам. В карточке приведены результаты на MATH и Olympiad Bench; модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors для Transformers. Модель принимает текстовые запросы и генерирует текстовые ответы на английском языке. Лицензия — Apache-2.0. Карточка не уточняет ограничения решения отдельных типов задач или точность за пределами указанных оценочных наборов.

NFT-7B — языковая модель для математических рассуждений, разработанная NVIDIA, Университетом Цинхуа и Стэнфордским университетом. Это декодерный трансформер семейства Qwen2.5, дообученный методом Negative-aware Fine-Tuning на базе Qwen/Qwen2.5-Math-7B с использованием набора DAPO-Math-17k. Модель насчитывает 7,1 млрд параметров и принимает текстовые задачи, включая выражения в LaTeX, а в ответе может приводить пошаговое решение и итог в формате \boxed{}. Модель предназначена для решения математических задач общего и олимпиадного уровня, включая задачи AIME, AMC, MATH500 и Minerva Math. Карточка указывает контекст до 32 768 токенов, однако метаданные каталога сообщают native context 4 096 токенов. Модель в первую очередь обучена на математических задачах на английском языке; метаданные также отмечают английский язык. Для использования рекомендуются ясные формулировки и пошаговые запросы. Лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория. Разработчики позиционируют модель для исследований и разработок.

OpenMed-NER-ProteinDetect-SuperClinical-141M — модель OpenMed для распознавания биомедицинских сущностей в текстах. Это дообученная модель на архитектуре DeBERTa-v2 для классификации токенов; в README базовая архитектура указана как deberta-v3-small. Модель обучена на корпусе FSU и выделяет белки, белковые комплексы, семейства и группы белков, варианты белков и другие связанные сущности. Размер по метаданным — 155 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения сущностей из биомедицинской литературы и клинических текстов, например для поиска белков и молекулярных взаимодействий, анализа путей и построения биомедицинских баз знаний. README приводит F1 0,92 на FSU, но не описывает независимую проверку этих результатов. Поддерживается английский язык. Лицензия — Apache-2.0.

OREAL-7B — языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, дообученная на основе internlm/OREAL-7B-SFT методом обучения с подкреплением по итоговому вознаграждению, включая задачи с бинарной оценкой результата. Модель рассчитана на диалоговый формат и генерацию развёрнутых решений математических задач; в README для серии OREAL приведён результат 94,0 pass@1 на MATH-500 для модели 7B. Модель принимает текстовые запросы и генерирует текстовые ответы. Для рассуждений при обучении и использовании применяется системный промпт; метаданные указывают контекст до 131072 токенов и интерфейс вызова инструментов. Модель доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Она ориентирована на математические задачи, а приведённая оценка относится к конкретному бенчмарку и не гарантирует точность на иных задачах; проверяйте вычисления и выводы модели.

P1-30B-A3B — языковая модель серии P1, разработанная для решения задач по физике и подготовки к физическим олимпиадам. Она построена на Qwen3-30B-A3B-Thinking-2507 и дообучена в несколько этапов с подкреплением на отобранных данных физических соревнований. Архитектура — Qwen3 MoE с генерацией текста; в репозитории доступны веса safetensors. Метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель предназначена для пошагового рассуждения над сложными задачами по физике. В карточке также заявлены результаты на математических, STEM- и кодовых бенчмарках: например, серебряный уровень на IPhO 2025 и улучшение относительно базовой модели на ряде тестов. Это результаты, приведённые авторами, и они не гарантируют аналогичную точность на произвольных задачах. Модель поддерживает английский и заявлена как многоязычная; конкретные языки, кроме английского, карточка не перечисляет. Лицензия — Apache-2.0.

Карточка модели vy22215/Qwen2.5-Math-1.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-Math-1.5B-Instruct — языковая модель с архитектурой Qwen2, разработанная командой Qwen. Это версия с инструкционной настройкой и 1,5 млрд параметров, предназначенная прежде всего для решения математических задач на английском и китайском языках с пошаговыми рассуждениями (CoT) и tool-integrated reasoning (TIR). Модель работает через Transformers и поддерживает контекст до 4096 токенов. TIR помогает выполнять точные вычисления, символьные преобразования и алгоритмические рассуждения; модель подходит для ответов на математические вопросы и решения задач, включая вычислительно сложные примеры. В карточке приведён результат 79,7 на бенчмарке MATH для версии 1.5B-Instruct при использовании TIR. Разработчик не рекомендует применять семейство для задач вне математики. Модель распространяется по лицензии Apache-2.0.

Карточка модели waleko/Qwen2.5-Math-7B-RoPE-300k на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-7B, поэтому описание составлено по ней. Qwen2.5-Math-7B — базовая плотная языковая модель семейства Qwen2.5-Math, разработанная командой Qwen. Она содержит 7,1 млрд параметров и предназначена для генерации решений математических задач на английском и китайском языках с рассуждением по шагам (CoT) и интегрированным использованием инструментов (TIR). Эту базовую версию используют для продолжения текста и few-shot вывода; она также служит основой для дальнейшего дообучения. Модель построена на архитектуре Qwen2 и запускается через Transformers. Для работы с моделью нужна версия Transformers 4.37.0 или новее; контекст составляет 4096 токенов. Модель специализирована на математике и не рекомендуется для других задач. Карточка не приводит отдельных ограничений точности. Лицензия — Apache-2.0.

lllyx/Qwen3-1.7B-SFT — языковая модель, разработанная на основе Qwen3-1.7B-Base и дообученная методом полного supervised fine-tuning. В README не указана отдельная организация-разработчик; модель связана с исследовательской работой «Rethinking On-Policy Distillation of Large Language Models: Phenomenology, Mechanism, and Recipe», авторами которой являются Yaxuan Li и соавторы. Модель предназначена прежде всего для математического рассуждения, решения задач и следования инструкциям в математическом домене. Она обучена на датасете lllyx/OpenThought3-Qwen3-4B, содержащем математические запросы и ответы, сгенерированные Qwen3-4B в режиме без рассуждений; данные были очищены от дубликатов, повторяющихся и вырожденных ответов. Во время обучения режим thinking был отключён. Ключевые характеристики: архитектура и точное число параметров унаследованы от Qwen3-1.7B-Base, размер модели составляет около 1,7 млрд параметров, поддерживаются английский и китайский языки, заявлена длина контекста до 20 480 токенов. Модель относится к классу text-generation и ориентирована на текстовую модальность. Сильной стороной является специализация на математических задачах и reasoning после SFT, однако README не содержит количественных результатов оценки, поэтому превосходство над базовой моделью подтвердить нельзя. Лицензия указана как other; её конкретные условия не раскрыты.

SeongryongJung/qwen3-8b-physics-srpo-ema005 — контрольная точка модели Qwen3-8B, дообученной методом SRPO на задаче физики; репозиторий содержит последний чекпойнт обучения global_step_100 в формате Transformers. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и генерирует текст. Метаданные указывают контекст до 40 960 токенов; базовая модель Qwen3-8B предназначена для многоязычного диалога, рассуждений, следования инструкциям, кода и вызова инструментов. Чекпойнт ориентирован на решение задач по физике с помощью генерации и рассуждений. В карточке приведена лучшая валидационная метрика mean@16 — 71,33% на шаге 40, но загружен последний чекпойнт, для которого указано итоговое значение 56,64%; лучший промежуточный чекпойнт в репозитории не опубликован. Лицензия — Apache-2.0.

BioMistral-7B-DARE — текстовая чат-модель для генерации ответов на вопросы и инструкции в биомедицинской тематике. Она создана слиянием BioMistral-7B и Mistral-7B-Instruct-v0.1 методом DARE TIES; архитектура — Mistral с 7,1 млрд параметров. Модель принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов и рассчитана на несколько европейских языков, включая английский, французский, немецкий, испанский, итальянский, нидерландский, польский и румынский. Модель подходит для исследовательских экспериментов с биомедицинскими вопросами и ответами, а также для прототипирования диалоговых систем по медицинским и биологическим темам. В README приведены результаты оценки BioMistral на англоязычных медицинских QA-бенчмарках, но они не подтверждают клиническую пригодность этой версии. Авторы предупреждают о возможных рисках и смещениях, отсутствии оценки в реальных клинических условиях и рекомендуют не применять модель для профессиональных медицинских решений без дополнительного тестирования и адаптации. Лицензия — Apache-2.0.

ExploreXploitQ разработал DeepMath-103K-Level6-Qwen3-4B-Base-GRPO — дообученную методом GRPO плотную языковую модель Qwen3 для математических рассуждений. Модель обучалась с обновлением всех параметров на 57 046 примерах поднабора Level 6 датасета DeepMath-103K; для обучения использовались verl и обучающий код Thinking-Space/Rethinking-OPD, а вознаграждение за ответы задавалось правилами проверки математического результата. Модель предназначена для генерации пошаговых решений и ответов на математические задачи. В README приведены результаты проверки на AIME 2025, AMC 2022–2023 и AIME 2024: соответственно, 21,25%, 60,77% и 23,54% точности в режиме avg@16. Это специализированная модель на 3,7 млрд параметров с контекстом 32 768 токенов, доступная для использования через Transformers. Базовая модель — Qwen/Qwen3-4B-Base; лицензия — Apache-2.0.

Llama3-8B-ScaleQuest — языковая модель для решения математических задач, представленная авторами проекта ScaleQuest. Она дообучена на синтетических математических данных, созданных методом генерации вопросов с нуля без исходных примеров. Модель основана на плотной архитектуре Llama с примерно 7,5 млрд параметров и использует библиотеку Transformers; принимает текст и генерирует текстовый ответ. Контекстное окно составляет 8192 токена. Модель предназначена для пошагового решения математических задач и ответов на вопросы по математике. В карточке приведены результаты на MATH и Olympiad Bench: 64,4 и 25,3 соответственно. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Английский язык указан в метаданных; карточка посвящена математическим задачам.

Longevity-LLM (L-LLM) — специализированная текстовая модель Insilico Medicine для вопросов и задач в биологии старения и долголетия. Она основана на Qwen3.5-9B с архитектурой гибридного трансформера и 9 млрд параметров. Модель обучали продолжением предобучения и supervised fine-tuning, а затем объединили LoRA-адаптеры с базовыми весами; опубликованный чекпойнт в формате safetensors предназначен для диалогового использования. Обучающий корпус охватывает клинические данные и эпидемиологию, эпигеномику, транскриптомику, протеомику и генетику, включая данные о метилировании ДНК и формулах эпигенетических часов. Модель принимает текст и генерирует текст на английском языке; README рекомендует использовать её для исследовательских запросов о старении, биомаркерах и связанных биологических данных. Веса занимают около 18,8 ГБ в bf16; в README приведены настройки развёртывания для vLLM и конфигурации с контекстом до 28 000 токенов. Модель может уверенно выдумывать биомедицинские сущности, величины эффектов и ссылки, а также ошибаться в сопоставлениях CpG-сайтов и генов; перечисленные идентификаторы и утверждения требуют проверки. Для открытых запросов со списками возможны повторения. Лицензия — CC BY-ND 4.0.

LUFFY-Qwen-Math-7B-Zero-On-Policy — языковая модель Elliott, дообученная на базе Qwen/Qwen2.5-Math-7B методом обучения с подкреплением. Это on-policy базовый вариант проекта LUFFY, использующий подмножество OpenR1-Math-220k; подход LUFFY сочетает генерацию собственных решений с внешними цепочками математических рассуждений при обучении. Модель предназначена для генерации пошаговых решений математических задач, включая задачи олимпиадного и конкурсного уровня. Она основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 16 384 токенов. В карточке приведены результаты оценки на AIME 2024/2025, AMC, MATH-500, Minerva и Olympiad; README заявляет преимущество над другими методами zero-RL, но приведённая таблица неполна. Модель принимает текст и генерирует текст. Базовая модель ориентирована на английский и китайский языки; отдельные сведения о языковом охвате дообученной версии не приведены. Репозиторий распространяет веса в формате safetensors по лицензии MIT.

MuToR-llama3-8B-1M_MATH-dmax_4_a_01 — языковая модель на архитектуре Llama 3, созданная методом MuToR (Multi-Token Prediction with Registers). Это дообученная версия Meta-Llama-3-8B, обученная пять эпох на обучающей части 1M-MATH с использованием датасета NVIDIA OpenMathInstruct-2. Веса представлены в формате safetensors; модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель предназначена для генерации текста, в частности для решения математических задач и воспроизведения экспериментов с многотокенным предсказанием. MuToR использует фиктивные register-токены для предсказания нескольких будущих целей и усиления обучающего сигнала; при инференсе эти токены отбрасываются, поэтому скорость генерации не снижается. Для использования и воспроизведения результатов следует обратиться к коду проекта. Лицензия модели — MIT.

OpenMed-NER-ProteinDetect-ElectraMed-560M — модель OpenMed для распознавания биомедицинских сущностей в научных и клинических текстах. Это дообученный трансформер с архитектурой XLM-RoBERTa и головой токеновой классификации, содержащий около 658,7 млн параметров. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей; контекст — до 514 токенов. Модель предназначена прежде всего для выявления белков, белковых комплексов, семейств и групп белков, а также вариантов белков в корпусе FSU, ориентированном на молекулярную биологию и взаимодействия белков. Её можно применять для извлечения сущностей из научной литературы и медицинских записей, анализа взаимодействий и построения биомедицинских баз знаний. В README заявлены F1 0,96, точность 0,96 и полнота 0,96 на FSU; эти результаты относятся к указанному корпусу и не гарантируют качество на других данных. Карточка указывает английский язык и лицензию Apache-2.0.

OpenMed-NER-ProteinDetect-SuperClinical-434M — модель OpenMed для распознавания биомедицинских сущностей в научных и клинических текстах. Это дообученная модель DeBERTa V2 для классификации токенов; по карточке она выделяет белки, белковые комплексы, семейства и группы белков, а также варианты белков. Размер по метаданным — 533,8 млн параметров, длина контекста — 512 токенов. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей. Модель предназначена для извлечения белковых сущностей из медицинских записей и научной литературы, включая поиск упоминаний, полезных для анализа взаимодействий белков, биомедицинского майнинга и построения графов знаний. В README приведены показатели на корпусе FSU: F1 0,94, точность 0,94 и полнота 0,95. Эти результаты относятся к указанному корпусу; качество на иных типах текстов может отличаться. Лицензия — Apache-2.0.

OpenMed-NER-ProteinDetect-TinyMed-66M — специализированная модель OpenMed для распознавания биомедицинских сущностей в тексте. Это дообученная версия DistilBERT с архитектурой DistilBertForTokenClassification, рассчитанная на классификацию токенов; базовая модель — distilbert-base-uncased. Модель обрабатывает текст на английском языке с контекстом до 512 токенов и размечает упоминания белков, белковых комплексов, семейств и вариантов в формате BIO. Модель предназначена для извлечения белковых сущностей из научной литературы и биомедицинских текстов, в том числе для поиска белковых взаимодействий, анализа молекулярных путей и построения биомедицинских баз знаний. В карточке заявлены результаты на корпусе FSU: F1 0,90, точность 0,89, полнота 0,91 и accuracy 0,97. Лицензия — Apache-2.0. Эти показатели относятся к указанному корпусу; карточка не подтверждает пригодность модели для клинических решений, а распознавание сущностей само по себе не извлекает взаимодействия или лекарственные эффекты.

OREAL-32B-SFT — языковая модель для математических рассуждений, разработанная командой OREAL и представленная как часть серии OREAL. Это дообученная методом supervised fine-tuning модель Qwen2.5-32B с архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она принимает текстовые вопросы и генерирует текстовые решения; заявленная длина контекста составляет 131 072 токена. Модель предназначена для решения математических задач с пошаговыми рассуждениями и ответами на вопросы. В README описана как исходная политика для последующего обучения OREAL с подкреплением по итоговому вознаграждению. Для серии OREAL приведены результаты оценивания, включая 95,0 pass@1 на MATH-500 для OREAL-32B, однако карточка не уточняет, что именно эта оценка относится к варианту SFT. В метаданных указаны возможности чата и интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. Заявленная специализация на математике ограничивает её применимость к другим областям; приведённые в карточке результаты относятся к серии OREAL и не подтверждают отдельно качество этого SFT-чекпойнта на всех перечисленных тестах.

QFT-OLMO3-32B-epoch-3 — языковая модель для математических рассуждений в формате Hugging Face, опубликованная пользователем qingyangzhang. По метаданным это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и 7,6 млрд параметров. Репозиторий содержит веса safetensors; для подготовки диалоговых запросов следует использовать встроенный chat template. Модель предназначена для генерации текста и решения задач, требующих математических рассуждений. Она поддерживает контекст до 49 152 токенов и ориентирована на английский язык. Лицензия — Apache-2.0. В README не приведены результаты оценок качества и подробности обучения, поэтому точность на конкретных типах математических задач по этим данным определить нельзя.

SeongryongJung/Qwen3-4B-Physics-SDPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SDPO-TR на физическом наборе данных с размером батча 32. В репозитории размещён лучший по валидационному mean@16 чекпойнт на шаге 50; также доступен финальный чекпойнт на шаге 100. Модель предназначена для генерации текста и решения задач по физике с использованием рассуждений. В README указана лучшая валидационная оценка mean@16 69,45%, а для финального чекпойнта — 60,16%. Это результаты конкретного эксперимента, а не гарантия качества на других наборах задач. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Базовая модель — Qwen/Qwen3-4B. Веса представлены в формате safetensors; лицензия — Apache-2.0. Для загрузки README приводит пример использования Transformers с trust_remote_code=True.

shuoxing/qwen-3.5-27b-absorb — дообученная модель Qwen/Qwen3.5-27B, созданная методом самодистилляции Absorb для математических рассуждений. Во время обучения одна и та же модель выступала учителем и учеником: учитель получал задачу вместе с ключевой математической идеей, а ученик — только задачу; ограниченная передача подсказок помогала ученику строить собственное решение. При использовании модели такая подсказка не требуется. Модель обучена на 709 задачах-доказательствах из экзаменов Ph.D. по математике из набора shuoxing/math-phd-qual-709. Она предназначена для генерации решений и доказательств, а также для экспериментов с обнаружением и применением ключевых идей в задачах. Это плотная архитектура Qwen3.5 с 27 млрд параметров; изменена языковая часть, а модуль зрения перенесён из базовой модели без изменений. Обучение и оценка проводились только на текстовых данных. Весовой адаптер LoRA был объединён с весами модели. Репозиторий содержит веса safetensors, модель распространяется по лицензии Apache-2.0.

Qwen3.5-9B equational-theory SAIR R3 — это полноразмерное дообучение Qwen3.5-9B, опубликованное violetxi. Модель предназначена для диалога и ответов на вопросы по теории уравнений, включая работу с заметками R0–R3 и задачами, сформулированными на Lean. Она использует плотную архитектуру Qwen3.5 с 9 млрд параметров и представлена полными BF16-весами в формате safetensors; зрительные и MTP-веса унаследованы от базовой модели. Обучение проводилось методом SFT на смеси заметок и траекторий «вопрос—ответ». Модель загружается через Transformers с поддержкой Qwen3.5 и может обслуживаться vLLM; доступны шаблон чата и интерфейс вызова инструментов. Базовая Qwen3.5-9B мультимодальна, однако обучение этой версии сосредоточено на текстовых математических материалах. Итоговая оценка математической точности ещё не опубликована. Потери обучения и валидации не показывают точность доказательств, а оценки GPT не заменяют проверку доказательств в Lean. Модель распространяется по лицензии Apache-2.0.

Экспериментальный промежуточный чекпойнт Qwen3-8B-Base, дообученный компанией seomh методом SFT на математических диалогах из набора OpenThoughts3 Math. Модель плотная, авторегрессионная, содержит 7,6 млрд параметров и принимает текст, генерируя текст. Контекст — до 32 768 токенов; веса представлены в формате safetensors и bf16. Чекпойнт предназначен для генерации решений математических задач в формате диалога: обучающие ответы содержат рассуждение и завершаются выражением в \boxed{}. Это шаг 750 из запланированных 2000; автор сообщает, что модель ещё не оценивалась. Для генерации рекомендуется задавать max_new_tokens около 16 384. Лицензия — Apache-2.0.

Rationalyst — текстовая модель семейства Llama, дообученная авторами проекта на базе LLaMa-3-Instruct-8B. Она предназначена для генерации неявных обоснований: на вход подают вопрос и частичную последовательность рассуждения, а модель предлагает обоснование для следующего шага. Подход описан в работе RATIONALYST о предварительном обучении с supervision на промежуточных шагах рассуждения. Модель имеет плотную архитектуру Llama примерно на 7,5 млрд параметров, работает с текстом и поддерживает контекст до 8192 токенов. Для обучения использованы 65 тысяч неявных обоснований из The Pile и 14 тысяч из GSM8K и ECQA. В карточке приведены результаты оценки на задачах математического и логического рассуждения, понимания здравого смысла и общих знаний. Модель подходит для дополнения траекторий рассуждений и экспериментов с пошаговым решением задач. Карточка не описывает отдельные ограничения качества или безопасности. Лицензия — Apache-2.0.

STILL-3-1.5B-preview — экспериментальная модель рассуждений, представленная разработчиками проекта STILL. Это плотная авторегрессионная языковая модель на архитектуре Qwen2 размером 1,5 млрд параметров, дообученная с помощью обучения с подкреплением для пошагового решения сложных математических задач. Модель предназначена для генерации ответов и диалогового использования; в метаданных также заявлен интерфейс вызова инструментов. В карточке приведены результаты на математических бенчмарках MATH, AIME, OMNI и LiveAOPS: для STILL-3-1.5B-preview указана точность 39,33% на AIME и 85,48% на MATH. Метаданные указывают контекстное окно 131 072 токена, библиотеку Transformers и формат весов safetensors. Модель опубликована 25 января 2025 года. Это предварительный исследовательский выпуск, поэтому приведённые бенчмарки не гарантируют точности на произвольных задачах. Для воспроизведения результатов важны параметры декодирования, использованные в оценке. Лицензия в предоставленных данных не указана.

SynLogic-32B — языковая модель MiniMaxAI для логических рассуждений, дообученная с помощью обучения с подкреплением на наборе SynLogic поверх Qwen2.5-32B-Base. Это плотная авторегрессионная модель семейства Qwen2 с 32 млрд параметров, рассчитанная на генерацию текста; метаданные указывают контекст до 131 072 токенов. Модель обучалась на 35 задачах логического вывода, включая судоку, Game of 24, шифры и лабиринты со стрелками. Разработчик также сообщает о переносе навыков на математические задачи без специального обучения математике и приводит результаты на бенчмарках BBEH, KOR-Bench и BBH. Модель подходит для решения текстовых логических задач и проверки подходов к рассуждению; заявленные результаты относятся к оценкам разработчика. Модель опубликована в формате Safetensors и использует библиотеку Transformers. Лицензия — MIT. Она принимает текст и генерирует текст; метаданные отмечают поддержку диалогового режима и интерфейса вызова инструментов.

VBVR-Pro-ThinkMorph — мультимодальная модель, созданная авторами проекта VBVR-Pro как дообучение ThinkMorph-7B. Она предназначена для визуального рассуждения через генерацию: принимает исходное изображение и текстовую инструкцию, формирует последовательность чередующихся текстовых рассуждений и изображений, а затем возвращает итоговый ответ. Модель обучена на данных VBVR-Pro-SFT-Image; опубликованы веса EMA с шага обучения 25 000 в формате BF16 и полный чекпойнт, включающий автоэнкодер изображений. Модель рассчитана на задачи, где нужно анализировать визуальную сцену и создавать промежуточные состояния изображения, например отслеживать изменения или выполнять визуальные преобразования. Авторы сообщают о переносе на ряд тестов визуального рассуждения. Используется специализированная архитектура ThinkMorph/BAGEL с языковой конфигурацией Qwen2-MoT; для запуска требуются код и зависимости ThinkMorph, Linux и CUDA, рекомендуется GPU класса 80 ГБ. Обычная загрузка через Transformers AutoModel или Diffusers не поддерживается. Лицензия — Apache-2.0.

Video-Reason разработала VBVR-Pro-Wan2.2-TI2V-5B — дообученную модель Wan2.2-TI2V-5B для генерации видео по текстовым инструкциям и изображениям. Она предназначена для задач визуального рассуждения, в которых ответ выражается сгенерированным видео, включая отслеживание состояний и изменений во времени. Модель обучена на VBVR-Dataset и опубликована как слитый чекпойнт с rank-32 LoRA, объединённой с весами DiT; для загрузки через Diffusers отдельный адаптер не нужен. Модель распространяется в форматах Diffusers и safetensors по лицензии Apache-2.0. Карточка описывает её как исследовательский релиз в рамках набора VBVR-Pro, но приводит сценарии прямого инференса. Подробные результаты бенчмарков и характеристики разрешения или длины контекста в доступной части карточки отсутствуют.

Yakult-70B — языковая модель Jan, дообученная на математических данных на базе LLaMA 3 70B. Она предназначена для диалогового взаимодействия и решения математических задач; запускать её можно через Jan Desktop на macOS, Windows и Linux. Модель использует плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык, формат весов safetensors и шаблон диалога Llama 3. Лицензия — Llama 2.