I.13Симуляция, моделирование и открытие нового

BioGravity-Inst — биомедицинская инструкционная языковая модель компании AIGEN Sciences, разработанная дообучением Gravity-30B-A5B-Preview. Она предназначена для исследовательских задач в среде Biomni A1: ответов на вопросы, сбора свидетельств, вычислений и анализа с помощью инструментов. Модель использует архитектуру GravityMoEForCausalLM с разреженной смесью экспертов и MLA; в репозитории опубликован объединённый чекпойнт. Число параметров — 3,8 млрд, контекст — до 131 072 токенов. Основные языки — английский и корейский. В опубликованном сравнении на 433 вопросах Biomni Eval1 точность после биомедицинской адаптации составила 56,81% против 27,02% у исходной модели; результаты получены с инструментами и научными навыками среды A1 и не показывают качество автономного чата. Модель может ошибаться в фактах, объяснениях и ссылках; актуальные публикации и рекомендации нужно находить и проверять отдельно. Качество для языков, кроме английского и корейского, не гарантируется. Лицензия — Apache-2.0; модель выпущена для исследовательского применения и рассчитана на среду Biomni A1.

E1-Math-7B — языковая модель Salesforce, дообученная на базе Skywork-OR1-Math-7B методом GRPO для адаптивного математического рассуждения при ограниченном бюджете генерации. Модель учится продолжать решать задачу, когда процесс рассуждения ограничен по длине, и переносить это поведение на новые ограничения без дополнительного обучения. Модель построена на архитектуре Qwen2 и содержит 7,1 млрд параметров; поддерживает контекст до 131 072 токенов. Её можно применять для генерации решений математических задач и оценки моделей в сценариях с разным лимитом токенов. В опубликованных результатах E1-Math-7B показывает более высокую точность базовой модели при нескольких ограниченных бюджетах генерации. Модель выпущена для исследовательских целей; перед применением в значимых сценариях следует отдельно оценить точность и безопасность ответов. Лицензия CC BY-NC 4.0 допускает использование с указанием авторства, но запрещает коммерческое применение.

QuantFactory/internlm2-math-plus-1_8b-GGUF — это квантизированная версия языковой модели InternLM2-Math-Plus-1.8B, созданная с помощью llama.cpp на основе internlm/internlm2-math-plus-1_8b. Модель разработана командой InternLM как двуязычная открытая LLM для математического рассуждения на английском и китайском языках. Модель предназначена для решения математических задач, неформального пошагового рассуждения, генерации и проверки доказательств, а также перевода математических утверждений в LEAN 4 и формального доказательства теорем. Указан размер 1,8 млрд параметров; формат GGUF ориентирован на запуск совместимых моделей через llama.cpp. Модель работает с текстом, а поддержка других модальностей не заявлена. По данным README, модель показывает результаты на бенчмарках MATH, GSM8K и MiniF2F-test: 37,0 на MATH, 41,5 на MATH с использованием Python, 58,8 на GSM8K и 38,9 на MiniF2F-test. К сильным сторонам относятся специализация на математике, двуязычность и относительно небольшой размер. Ограничения включают узкую предметную специализацию, возможные ошибки в рассуждениях и доказательствах, а также отсутствие данных о размере контекста, системных требованиях и подробных инструкциях по применению. В карточке указана лицензия other, но её конкретные условия не раскрыты.

Mochi — языковая модель для математических рассуждений, созданная дообучением GLM-4.7-Flash на датасете unsloth/OpenMathReasoning-mini. Модель семейства GLM-4 MoE Lite насчитывает 4,1 млрд параметров и поддерживает контекст до 202 752 токенов. Она принимает текст и генерирует текстовые решения; заявленный язык — английский. Модель предназначена для пошагового решения задач по алгебре, теории чисел, комбинаторике и олимпиадной математике, а также для исследований дообучения компактных моделей на цепочках рассуждений и локального инференса с низкой задержкой. Карточка указывает формат safetensors, чат-возможности и интерфейс вызова инструментов. Лицензия — Apache-2.0; перед коммерческим использованием автор рекомендует сверить условия лицензии базовой модели. Математическая специализация может ухудшить общие навыки диалога и следования инструкциям; обучение на сокращённой выборке ограничивает охват типов задач. Модель способна выдавать убедительные, но ошибочные выкладки, поэтому важные ответы следует проверять.

Это квантованные версии модели Allen Institute for AI OLMo-3-7B-RLZero-Math, подготовленные Richard Young для локального запуска. Модель основана на архитектуре OLMo2, содержит 7 млрд параметров и предназначена для генерации текста с пошаговыми рассуждениями при решении математических задач. Модель принимает текстовые запросы на английском языке и генерирует текстовые ответы. Окно контекста составляет 65 536 токенов с масштабированием YaRN. Репозиторий содержит варианты GGUF с разными уровнями квантования, а также 4-битную версию для MLX на Apple Silicon; заявлена совместимость с llama.cpp и Ollama. Квантование позволяет запускать модель локально на оборудовании с ограниченной памятью, но более компактные варианты могут уступать в качестве полному формату. Лицензия — Apache-2.0.

Quokka-7b-instruct — языковая модель, разработанная UCSB для задач материаловедения. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, основанная на LLaMA 2 7B. Её продолжительно предобучали на более чем миллионе научных статей по материаловедению, а затем дообучили на инструкциях по этой области. Модель предназначена для генерации текста и ответов на запросы по материалам и материаловедческой литературе. Возможные сценарии — помощь в поиске и обобщении научной информации, а также ответы на специализированные вопросы. Контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache 2.0. Карточка не сообщает результаты оценивания качества или подробные сведения о поддерживаемых языках. Как специализированная модель, она может хуже справляться с задачами за пределами материаловедения; ответы по научным вопросам следует проверять.

Qwen2.5-Math-7B — языковая модель семейства Qwen2.5, разработанная командой Qwen и опубликованная Unsloth. Это базовая модель на архитектуре Qwen2 с 7,1 млрд параметров, предназначенная для продолжения текста и математических рассуждений. Для ответов на математические задачи серия поддерживает пошаговое рассуждение Chain-of-Thought и Tool-integrated Reasoning; модель рассчитана прежде всего на английский и китайский языки. Модель подходит для генерации решений математических задач, пошаговых объяснений и few-shot-примеров, а также как основа для дальнейшего дообучения. Контекст составляет 4096 токенов. README предостерегает от применения серии для задач вне математики. Репозиторий распространяется в формате safetensors и использует лицензию Apache-2.0.

Qwen2-Math-1.5B — базовая плотная языковая модель семейства Qwen2, разработанная командой Qwen. Она содержит 1,5 млрд параметров и предназначена для генерации продолжений текста, решения арифметических и математических задач, а также многошаговых рассуждений; базовую версию обычно используют для дополнения текста, few-shot-запросов и как основу для дообучения, а не как готовую инструкционную модель для диалога. Модель принимает текст и генерирует текст. Она в первую очередь ориентирована на английский язык; в README указано, что на момент публикации эта версия преимущественно поддерживает английский. Контекст составляет до 4096 токенов. В репозитории представлены веса Safetensors, лицензия — Apache-2.0. Модель специализирована на математике и может быть полезна для вычислений и задач, требующих последовательных логических рассуждений. Это базовая модель, поэтому качество диалоговых ответов и следование инструкциям не гарантированы на уровне версии Instruct; её также следует оценивать на целевых задачах перед применением.

Thinking-Space/Qwen3-4B-Base-GRPO — языковая модель семейства Qwen3, разработанная на основе Qwen3-4B-Base и дообученная методом группового относительного policy optimization (GRPO) с использованием фреймворка verl. Это плотная авторегрессионная модель с 3,7 млрд параметров и контекстом 32 768 токенов. Модель предназначена прежде всего для математических рассуждений и решения задач. При обучении использовался набор DAPO-Math-17k-Processed; для проверки упомянуты AIME25, AMC23 и AIME24. Обновлялись все параметры модели, отдельная reward-модель не применялась. Модель принимает текстовые запросы и генерирует текстовые ответы; в метаданных указана поддержка английского и китайского языков. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория. Хотя модель рассчитана на математические задачи, карточка не приводит численных оценок качества; результаты могут зависеть от формулировки задачи и не гарантируют правильность решения.

Qwen3-4B-GRPO-119 — это дообученная методом GRPO языковая модель на базе Qwen/Qwen3-4B, созданная для математических рассуждений на английском языке. Разработчик обучал её с помощью фреймворка slime на 8 видеокартах RTX 4090; архитектура — плотная Qwen3ForCausalLM примерно на 3,7 млрд параметров. Модель принимает текст и генерирует текст, поддерживает диалоговый шаблон с режимом рассуждений и контекст до 40 960 токенов. По данным README, на AIME 2024 показатель pass@1 вырос с 57,5% у базовой модели до 65,0% у чекпойнта 119-й итерации; медианная длина ответа при этом снизилась примерно на 49%. Модель подходит для решения математических задач и пошагового анализа решений. Обучение и оценка проводились только на англоязычных математических данных, поэтому результаты не характеризуют качество в других областях и языках. В 21% обучающих rollout достигался лимит длины 8192 токена. Лицензия — Apache-2.0.

BillyWang1 разработал эту модель на основе Qwen/Qwen3-4B-Instruct-2507, дообучив её методом GRPO для математических рассуждений с использованием инструмента code_interpreter. Это плотная языковая модель Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов; она принимает текстовые запросы и генерирует текст, включая вызовы инструментов в формате Qwen3. В сценариях с инструментом модель может выполнять Python-код для проверки промежуточных вычислений перед выдачей ответа. Модель ориентирована на решение математических задач: в README приведены результаты на AIME 2024, AIME 2025 и MATH-500. Для воспроизведения поведения с инструментами требуется предоставить совместимый code_interpreter и системный промпт обучения. Данные о поддерживаемом языке в метаданных указывают на английский. Модель распространяется по лицензии Apache-2.0; результаты бенчмарков не гарантируют точность на других задачах.

SynLogic-7B — языковая модель MiniMaxAI на 7,1 млрд параметров, дообученная методом обучения с подкреплением на наборе SynLogic. В основе лежит Qwen2.5-7B-Base; модель использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Модель предназначена для генерации ответов с пошаговыми логическими рассуждениями и решения математических задач. Обучение охватывает 27 типов логических задач, включая судоку, игру «24» и шифры; по данным карточки, навыки обобщаются на математику без специального обучения на математических данных. В README приведены результаты на логических и математических бенчмарках, но они не гарантируют точность на произвольных задачах. Модель принимает текст и генерирует текст. Метаданные отмечают английский язык, интерфейс чата и вызова инструментов. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — MIT.

Vanilla AttnResidual — исследовательский базовый вариант из коллекции OASIS, созданный на основе Meta Llama 3.2 1B. Модель представляет собой плотную авторегрессионную языковую модель с примерно 1,2 млрд параметров и стандартным softmax для внимания между токенами, дополненным механизмом AttentionResidual для маршрутизации информации между слоями. Метаданные указывают контекст до 131 072 токенов. Модель предназначена для генерации текста и сравнительных экспериментов с маршрутизацией между слоями, вниманием и устойчивостью к выбросам активаций и квантизации. Для корректной работы варианта нужны веса и код моделирования OASIS: загрузка через обычный AutoModelForCausalLM отбрасывает дополнительные параметры AttentionResidual, поэтому результат не будет соответствовать этому варианту. В репозитории приведены результаты оценки perplexity и статистики активаций. Указана лицензия Llama 3.2.

VBVR-Pro-Wan2.2-TI2V-5B-SDE-RL — дообученная Video-Reason модель на базе Wan2.2 TI2V-5B для генерации видео по исходному изображению и изучения визуального рассуждения. Она обучена с подкреплением на задачах VBVR-Pro с проверяемыми наградами, используя DanceGRPO и rectified-flow SDE с коэффициентом шума η=0,3. Модель поставляется как полный чекпойнт Diffusers с трансформером, текстовым энкодером, токенизатором, VAE и планировщиком. Модель предназначена для генерации видео, обусловленной изображением, и исследований траекторий визуального рассуждения. В опубликованной оценке использовались ролики 512×512 пикселей, 81 кадр, 16 кадров/с и 30 шагов инференса; результаты зависят от настроек и не гарантируют качества на других запросах. Для загрузки полного пайплайна требуется значительный объём памяти, а на менее мощных GPU рекомендуется выгрузка частей модели на CPU. В README также указано, что траектории рассуждения могут быть ошибочными или визуально несогласованными. Лицензия — Apache-2.0.

BAGEL-Canvas — мультимодальная модель общего типа от авторов проекта MathCanvas, предназначенная для решения математических задач с опорой на визуальные рассуждения. Модель генерирует и редактирует диаграммы, а затем использует их в чередующихся цепочках текста и изображений; карточка описывает двухэтапное обучение: предварительное обучение навыкам работы с диаграммами и дообучение на примерах стратегического визуально поддержанного решения задач. Модель рассчитана прежде всего на сложные математические задачи, включая геометрию, где полезно построить или преобразовать схему. В README заявлено улучшение относительной производительности на 86% по тесту MathCanvas-Bench по сравнению с сильными базовыми моделями; подробности оценки приведены на внешней таблице результатов. Репозиторий содержит веса Safetensors, библиотека — Transformers, лицензия — Apache-2.0. Размер модели и длина контекста в предоставленных данных не приведены.

DatedGPT-2016 (base) — предварительно обученная языковая модель семейства DatedGPT, разработанная авторами репозитория datedgpt. Это базовая версия без дообучения на инструкциях; её обучающие данные ограничены срезом, доступным до 2016 года, поэтому она предназначена для прогнозирования и анализа без заглядывания в будущее и связанной с ним систематической ошибки. Модель построена на архитектуре LlamaForCausalLM, содержит около 1,3 млрд параметров и принимает текст с контекстом до 2048 токенов, выдавая продолжение текста. Указанный язык модели — английский. Она может быть полезна для временного анализа текстов и воспроизводимых прогнозов, где важно учитывать только информацию, доступную на выбранную дату. Это базовая модель завершения текста: она не настроена на диалог и выполнение инструкций, а также не проходила RLHF или настройку безопасности. Её знания отражают срез до 2016 года. Лицензия в предоставленных данных не указана.

cmcheng/DeepMath-GRPO_DeepSeek-R1-Distill-Qwen-1.5B — языковая модель, дообученная методом GRPO на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена для генерации текста и решения математических задач в диалоговом формате. Модель имеет плотную архитектуру Qwen2, 1,5 млрд параметров и контекстное окно до 131 072 токенов; репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Для обучения применялись bf16 и DeepSpeed; указаны 97 870 обучающих примеров из zwhe99/DeepMath-103K и 5 000 шагов обучения. Карточка не сообщает результаты оценки качества или условия лицензии, поэтому их нельзя определить по доступным данным.

InsightEmb — текстовая модель эмбеддингов, созданная на основе Qwen3-Embedding-4B и дообученная для поиска полезных правил и стратегий по текущему состоянию интерактивного агента. Она сопоставляет конкретные ситуации и промежуточные рассуждения с абстрактными приёмами, которые помогают преодолеть процедурное затруднение и продвинуться к цели, даже если формулировки и темы заметно различаются. Модель обучалась на математических задачах и траекториях рассуждений с двухэтапной контрастивной схемой и обучением на частичных траекториях; в README указана оценка переноса на ALFWorld, WebShop, ScienceWorld и SRA-Bench. Модель содержит 3,7 млрд параметров, использует плотную архитектуру Qwen3 и принимает текст для извлечения эмбеддингов. Для получения представлений применяется pooling последнего токена с последующей L2-нормализацией; при поиске запрос рекомендуется снабжать инструкцией для retrieval. Заявленная длина контекста — 40 960 токенов. Модель предназначена для двуязычных сценариев на английском и китайском языках и распространяется по лицензии Apache-2.0. Она ориентирована на ранжирование процедурно полезных результатов, поэтому её соответствие задачам обычного тематического поиска отдельно не подтверждено.

Limite 1B – Violetto — плотная авторегрессионная трансформерная модель Paradigma примерно с 1 млрд параметров, обученная с нуля на тщательно отобранной смеси данных объёмом менее 300 млрд токенов. Она предназначена для высокопроизводительного решения сложных математических задач и рассуждений, особенно в режиме одного запроса без истории диалога. Модель имеет контекстное окно до 131 072 токенов и поддерживает чатовый режим; для инференса доступны Transformers и vLLM через плагин Limite. Архитектура Transformers загружается с trust_remote_code=True. По заявлению разработчиков, модель сочетает синтетические данные, контролируемое дообучение и обучение с подкреплением, а её результаты на математических бенчмарках сопоставимы с некоторыми значительно более крупными моделями. Она слабо настроена на следование инструкциям и может терять исходный смысл запроса, переосмысливая его как математическую задачу, поэтому не подходит для ожиданий универсального ассистента. Лицензия — Apache-2.0.

Olmo 3 7B RL-Zero Math — авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст; её контекст — до 65 536 токенов. Основной язык — английский. Модель дообучена на базовой allenai/Olmo-3-1025-7B с использованием обучения с подкреплением на проверяемых наградах (RLVR) и набора математических запросов Dolci-RLZero-Math-7B. Она предназначена для исследования математических рассуждений и генерации решений, а также может использоваться для экспериментов с RLVR. Для работы поддерживается библиотека Transformers версии 4.57.0 и выше. Модель выпускает Ai2 по лицензии Apache 2.0; в карточке указано исследовательское и образовательное назначение согласно рекомендациям Ai2 по ответственному использованию. Ответы могут содержать ошибки, а без фильтрации безопасности модель способна выдавать вредоносный или чувствительный контент; результаты следует проверять.

OpenMed разработала OpenMed-NER-ProteinDetect-BioMed-109M — дообученную модель BERT для распознавания биомедицинских сущностей в текстах. Она предназначена прежде всего для извлечения белков, белковых комплексов, семейств и вариантов белков из научной литературы и других биомедицинских документов, а также для последующего анализа белковых взаимодействий и молекулярных процессов. Модель использует архитектуру BiomedNLP-BiomedELECTRA-base-uncased-abstract и решает задачу классификации токенов с BIO-разметкой. В метаданных указано 136,7 млн параметров и контекст до 512 токенов; карточка описывает обучение на корпусе FSU, связанном с молекулярной биологией и белковыми взаимодействиями. Указанные в README показатели на FSU: F1 0,93, точность 0,92 и полнота 0,94. Модель подходит для разметки текстов перед построением баз знаний, анализом взаимодействий и поиском молекулярных сущностей. Карточка также предлагает сценарии анализа клинических текстов, однако перечисленные типы сущностей сосредоточены на белках и README не приводит результатов для клинических задач. Лицензия — Apache-2.0; модель принимает токенизированный текст и возвращает метки сущностей.

RoadQAQ/Qwen2.5-Math-1.5B-16k-think — версия базовой модели Qwen2.5-Math-1.5B, подготовленная для ReLIFT. В ней изменён параметр rope_theta с 10000 на 40000, а контекст расширен до 16 тысяч токенов. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; для работы указана библиотека Transformers и формат весов safetensors. Модель предназначена для генерации текста в диалоговом формате и математических сценариев, связанных с ReLIFT. Карточка также сообщает об изменении chat template для системного промпта, но подробностей об этих изменениях и результатах оценки не приводит. Лицензия — MIT.

Qwen2.5-Math-1.5B-RoPE-300k — вариант модели Qwen/Qwen2.5-Math-1.5B, подготовленный rowan-dauria для работы с длинным контекстом и дальнейшего дообучения на задачах рассуждений. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста, в частности решений математических задач. Веса не изменены: в конфигурации увеличена базовая частота RoPE, снято ограничение sliding window, а максимальная длина контекста изменена с 4096 до 32768 токенов. Модель можно использовать как основу для SFT с длинными математическими рассуждениями и для генерации решений, требующих более длинного контекста. Карточка базовой модели указывает английский и китайский языки. Репозиторий использует Transformers и формат safetensors; интерфейс поддерживает чат и вызов инструментов. Лицензия — Apache-2.0. Увеличенное окно контекста задано изменением rope_theta и параметров конфигурации при неизменных весах, поэтому карточка не подтверждает отдельное обучение на длинных последовательностях или качество на предельной длине контекста. Для дальнейшего обучения и применения следует учитывать, что расширение контекста само по себе не гарантирует сохранение точности базовой модели на длинных входах.

SeongryongJung/Qwen3-4B-Physics-SRPO-TR — дообученная модель Qwen3-4B, полученная запуском SRPO-TR с размером обучающего батча 32. Она предназначена для генерации ответов и рассуждений по задачам физики. В репозитории выбран лучший по validation mean@16 чекпойнт на шаге 90; его результат на валидации составил 72,50%, у финального чекпойнта на шаге 100 — 70,94%. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3 и доступна в формате safetensors; максимальный контекст — 40 960 токенов. Модель загружается через Transformers как причинная языковая модель. Базовая модель Qwen3-4B поддерживает диалоги, рассуждения, генерацию кода и многоязычные задачи, однако README описывает специализированный запуск для физики и не уточняет языки обучения или оценки. Лицензия — Apache-2.0. Приведённый результат относится к валидации с метрикой mean@16; сведения о переносе качества на другие наборы задач не представлены.

Это дообученная методом обучения с подкреплением модель Qwen3.5-35B-A3B, опубликованная cm00cm. Чекпойнт создан методом GRPO с проверкой результата по вознаграждению за правильность ответа на математические задачи из набора DAPO-math-17k и служит учителем на первом этапе конвейера дистилляции с обучением на собственных ответах. Для контрольной выборки из 512 задач автор сообщает точность 0,887 против 0,828 у базовой модели и среднюю длину ответа 6 248 против 14 070 токенов при указанном режиме оценки. Модель предназначена прежде всего для решения математических задач и выдачи более кратких ответов с проверяемым итогом. Это Qwen3.5-35B-A3B с архитектурой MoE; веса опубликованы в формате safetensors и загружаются через Transformers. Лицензия — Apache-2.0. Показатели приведены для конкретного набора и режима оценки, поэтому они не гарантируют такое же качество на других задачах; описание не приводит результатов для иных областей.

BayesRL/Qwen-M3PO-7B — плотная авторегрессионная модель семейства Qwen2.5-Math, разработанная BayesRL. Это чекпойнт на 7,1 млрд параметров, дообученный методом M3PO на базе BayesRL/Qwen2.5Math-IVON-SFT-7B; обучение сочетает GRPO с вариационным оптимизатором IVON и исследованием параметров через выборки возмущённых весов. Модель предназначена для генерации решений математических задач и RLVR — обучения с проверяемыми наградами; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Модель принимает текст и генерирует текст. Карточка указывает английский язык, контекстное окно составляет 4096 токенов. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — Apache-2.0.

SenseNova-SI-1.2-InternVL3-8B — мультимодальная чат-модель, разработанная командой SenseNova на основе InternVL3-8B от OpenGVLab и дообученная для пространственного понимания. Она отвечает на вопросы по изображениям и тексту, в особенности о положении, взаимном расположении и повороте объектов, а также сохраняет широкие возможности мультимодального понимания. Модель оценивалась на пространственных бенчмарках VSI, MMSI, MindCube, ViewSpatial, SITE, BLINK, 3DSRBench и EmbSpatial-Bench; авторы сообщают о высоких результатах среди сопоставимых по размеру открытых моделей. Модель построена на архитектуре InternVL Chat, содержит 8 млрд параметров и предназначена для исследовательских и прикладных сценариев, где нужно задавать вопросы об изображениях на естественном языке. Репозиторий распространяет веса в формате safetensors для Transformers. Базовая модель также описана как способная работать с видео, однако карточка этой версии явно демонстрирует пространственные задачи по изображениям; поддержка видео именно этой донастройкой не подтверждена. Лицензия — Apache-2.0.

zlyngkhoi/txgemma-2b-trialbench-sft — плотная языковая модель на архитектуре Gemma 2, созданная zlyngkhoi путём дообучения google/txgemma-2b-predict с помощью Aligntune. Модель содержит 2,7 млрд параметров, принимает текст и генерирует текст; контекстное окно — 8192 токена. Модель предназначена для текстовых прогнозов свойств лекарственных средств и связанных биологических объектов, а также для задач, где требуется дообученная версия TxGemma-2B-Predict. README не уточняет конкретную схему обучения или специализированные сценарии trialbench. Базовая модель Google обучалась на терапевтических данных; это не подтверждает точность прогнозов для клинических решений. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

VBVR-Pro-LTX2.3 — дообученная модель генерации видео и аудио, разработанная командой VBVR-Pro на базе LTX-2.3 и предназначенная для визуального рассуждения через генерацию. Она принимает изображение и текстовую инструкцию и создаёт обусловленное изображением аудиовидео; веса LoRA ранга 32 уже объединены с весами трансформера, поэтому отдельный адаптер загружать не требуется. Модель рассчитана на исследовательские эксперименты с задачами визуального рассуждения, в частности с генерацией видео по изображению и отслеживанием меняющихся во времени состояний. В карточке указаны Diffusers и формат safetensors, лицензия Apache-2.0. Технические характеристики базовой LTX-2.3 и результаты бенчмарков в доступном фрагменте карточки не приведены.

WizardMath-7B-V1.1 — языковая модель для математических рассуждений, разработанная командой WizardLM и обученная на основе Mistral-7B с помощью подхода Reinforced Evol-Instruct (RLEIF). Это плотная авторегрессионная модель с 7,1 млрд параметров, принимающая текстовые инструкции и генерирующая текстовые ответы; заявленная длина контекста — 32 768 токенов. В карточке указана поддержка английского языка. Модель предназначена для решения математических задач и пошагового рассуждения, включая задачи GSM8K и MATH. Авторы сообщают результаты pass@1 83,2 на GSM8K и 33,0 на MATH и рекомендуют использовать заданный ими системный промпт; для простых задач не рекомендуют вариант промпта с CoT. Эти результаты приведены авторами и не гарантируют точность ответов в других сценариях. В репозитории представлены веса PyTorch. Модель основана на Mistral-7B и является её дообученной версией. Сведения о лицензии в предоставленных данных отсутствуют.