I.13Симуляция, моделирование и открытие нового

CrystaLLM-pi_Chili100K-XRD — условная генеративная модель Bone et al. из University College London для восстановления кристаллических структур по данным порошковой рентгеновской дифракции (XRD). Это дообученная версия CrystaLLM-pi_Mattergen-XRD на наборе Chili-100K со структурами неорганических наноматериалов, отобранными из Crystallographic Open Database. Модель построена на авторегрессионном GPT-2 с механизмом Residual Attention (Slider). На вход подаются позиции 2θ и интенсивности 20 наиболее сильных пиков; на выходе генерируются кандидаты структур в синтаксисе CIF. Контекст составляет 1536 токенов и рассчитан в том числе на ячейки примерно до 100 атомов. Лицензия — MIT. Качество восстановления зависит от извлечения пиков, шума и представленности материала в обучающих данных. Модель не предназначена для систем с разупорядочением и частичными заполнениями; обучение ориентировано на неорганические наноматериалы, а качество генерации для очень больших ячеек может снижаться. При сходстве структур возможен уклон к более распространённому в обучающей выборке полиморфу.

OpenReasoning-Nemotron-14B — языковая модель NVIDIA для генерации решений и рассуждений в задачах математики, программирования и естественных наук. Это дообученная методом supervised fine-tuning плотная decoder-only Transformer-модель семейства Qwen2.5 с 14 млрд параметров. Модель принимает и выдаёт текст, поддерживает диалоговый режим и предназначена для разработчиков и исследователей, работающих со сложными задачами, включая соревновательную математику, написание кода и научные вопросы. В README указана оценка генерации до 64 тысяч выходных токенов; метаданные указывают контекст до 131 072 токенов. Для режима GenSelect можно объединять несколько параллельных генераций и выбирать лучшее решение. Модель обучена на математических, программных и научных данных, включая синтетические ответы DeepSeek-R1-0528; README приводит результаты на наборах тестов по рассуждениям, математике и коду. Карточка указывает готовность к коммерческому и некоммерческому исследовательскому применению. Лицензия — CC BY 4.0. Модель оптимизирована для GPU-систем NVIDIA; результаты могут зависеть от сценария и режима вывода.

ChemFM-3B — химическая фундаментальная модель от исследовательской группы TheLuoFengLab. Это плотная авторегрессионная языковая модель семейства LLaMA с 3 млрд параметров, предварительно обученная методом причинного языкового моделирования на 178 млн молекул из UniChem. Она работает с химическими структурами, представленными строками SMILES, и предназначена для генерации молекул и дообучения под задачи прогнозирования свойств, синтеза и ретросинтеза реакций. Модель имеет контекст 512 токенов; в репозитории опубликованы веса Safetensors, лицензия MIT.

THGLab разработала GeomLlama-xyz-QM9-Large — дообученную модель Llama-3.1-8B-Instruct, предназначенную для генерации 3D-конформеров небольших молекул по строке SMILES. Модель выдаёт декартовы координаты атомов в формате XYZ: по одной строке на атом с символом элемента и координатами x, y, z в ангстремах; заголовок XYZ-блока не добавляется. Модель специализирована на геометриях молекул масштаба QM9 и обучена на наборе GEOM-QM9, дополненном примерами Tulu-3 для сохранения общих навыков следования инструкциям. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров и контекстом до 131 072 токенов; обучение выполнено с помощью Axolotl и LoRA, адаптер объединён с базовыми весами. Для предсказаний из статьи README указывает на необходимость воспроизводить использованный Alpaca-промпт. Модель подходит для получения предполагаемых координат малых молекул из SMILES, но карточка не приводит количественных оценок точности и не подтверждает надёжность для крупных молекул или иных химических распределений. Распространяется по лицензии Llama 3.1.

OpenReasoning-Nemotron-32B — языковая модель NVIDIA, дообученная на основе Qwen2.5-32B методом supervised fine-tuning для рассуждений и генерации решений по математике, программированию и науке. Это плотный decoder-only Transformer семейства Qwen2 с 32 млрд параметров; метаданные указывают контекст 131 072 токена. Модель принимает текст и генерирует текст, а в README описана оценка с длиной генерации до 64 тыс. токенов. Модель предназначена для разработчиков и исследователей, решающих сложные математические, научные и программные задачи. Для повышения качества можно запускать несколько генераций параллельно и выбирать лучшее решение с помощью GenSelect; обучение выбора проводилось на математических задачах, а авторы сообщают о переносе способности на код и научные вопросы. README описывает применение на системах с ускорителями NVIDIA и интеграцию с NeMo, vLLM и TensorRT-LLM. Лицензия — CC BY 4.0; карточка допускает коммерческое и некоммерческое исследовательское использование. Ограничения включают ориентацию на сложные задачи рассуждения и отсутствие в README гарантий качества за пределами приведённых оценок; описанный GenSelect-режим требует нескольких параллельных генераций и дополнительного отбора ответов.

CrystalReasoner/Qwen2.5-3B-CrysReas-Thinking — дообученная разговорная модель CrystalReasoner для генерации кристаллических структур по инструкциям на естественном языке. Она создана на базе Qwen/Qwen2.5-3B и предназначена для задач материаловедения, включая генерацию структур с заданными свойствами. Модель использует архитектуру Qwen2 с плотной причинно-языковой сетью и содержит 3,1 млрд параметров. В обучении применялись supervised fine-tuning, рассуждения с кристаллографическими и физическими априорными знаниями перед генерацией координат и обучение с подкреплением с проверяемыми наградами. Контекст составляет 32 768 токенов; модель рассчитана на использование через библиотеку Transformers и распространяется в формате safetensors. Ключевые сценарии — генерация кристаллических структур по текстовому описанию и подбор структур с заданными свойствами. Карточка не содержит результатов измерения качества или подробной инструкции по формату выходной структуры. Лицензия в предоставленных данных не указана.

BioMatrix-1.7B-SFT — мультимодальная биологическая модель, разработанная на основе Qwen3 и дообученная командой QizhiPei. Она объединяет в общей токенизации текст, 1D-последовательности и 3D-структуры малых молекул и белков и выполняет их обработку в единой decoder-only архитектуре с предсказанием следующего токена. Модель содержит около 1,8 млрд параметров, поддерживает контекст до 32 768 токенов по метаданным и распространяется в формате safetensors по лицензии Apache-2.0. Версия SFT настроена на 80 биологических задач: генерацию и анализ молекул, предсказание их свойств, понимание и проектирование белков, работу с их структурами, а также оценку взаимодействий и сродства связывания. Входами и выходами могут быть естественный язык, молекулярные представления SMILES и SELFIES, последовательности белков и их 3D-структуры. Карточка описывает обучение на английском и приводит языковой токенизатор Qwen3; другие поддерживаемые естественные языки не заявлены. Модель показывает результаты на задачах генерации молекул, предсказания свойств, аннотации и проектирования белков и оценки связывания. Ограничения: структуры молекул и белков используют раздельные геометрические системы отсчёта, поэтому модель не представляет нативно комплексы, например позы докинга; специализация может ухудшать общие языковые способности. Поддержка ограничена малыми молекулами и белками, а 3D-геометрия сохраняет ошибку квантования, которую можно уменьшить постобработкой силовым полем.

6cf/QwQ-32B-Preview-IdeaWhiz-v1 — дообученная модель на базе Qwen/QwQ-32B-Preview, предназначенная для генерации научных идей и пошаговых рассуждений. Она использует архитектуру Qwen2 с 32 млрд параметров и принимает текст, выдавая текст; заявленная длина контекста — 32 768 токенов. Модель обучена на LiveIdeaBench и ориентирована на выдвижение научных гипотез, творческое решение исследовательских задач и мозговой штурм по возможным направлениям работы. В карточке указаны области химии, биологии, климата и медицины. Заявлен стиль рассуждений с пошаговым разбором, похожий на o1. Модель распространяется в формате safetensors по лицензии Apache-2.0. Качество научных идей и рассуждений в карточке не подкреплено количественными оценками; сгенерированные гипотезы требуют проверки, а английский указан как язык карточки и тегов.

Dayhoff-170M-UR90-HL-26000 — белковая языковая модель семейства Dayhoff, разработанная командой исследователей, перечисленных в карточке Dayhoff. Она предназначена для генерации и анализа последовательностей белков, включая безусловный дизайн, оценку эффектов мутаций без дообучения и создание белковых последовательностей с заданными структурными мотивами или эволюционным контекстом. Модель построена на гибридной архитектуре Jamba: слои Mamba и Transformer с механизмом смеси экспертов; в метаданных указано 23,6 млн параметров и контекст до 262 144 токенов. Модель обучалась на белковых последовательностях и поддерживает моделирование длинных последовательностей и развёрнутых множественных выравниваний.

Intern-S1-mini — открытая мультимодальная модель рассуждений, разработанная командой InternLM. Она предназначена для диалога и анализа текстовых и визуальных данных, с особым упором на научные задачи. Модель построена на плотной языковой модели Qwen3 с 8 млрд параметров и визуальном энкодере InternViT на 0,3 млрд параметров; README сообщает о дополнительном предварительном обучении на 5 трлн мультимодальных токенов, более половины которых относятся к научным данным. Модель может разбирать изображения и видео, рассуждать по тексту, а также работать с молекулярными формулами и последовательностями белков благодаря динамическому токенизатору. Предусмотрены режимы с рассуждением и без него; режим рассуждения включён по умолчанию. Для запуска автор рекомендует Transformers версии 4.55.2 или новее. Указана лицензия Apache-2.0. Высокие требования к вычислительным ресурсам ограничивают локальное применение: для развёртывания мини-версии в таблице указана одна видеокарта A100, H800, H100 или H200.

ABForge-Qwen3-8B-Task2-RL — дообученная модель семейства Qwen3, разработанная SlowGuess в рамках посттренировочного конвейера ABForge. Она принимает контекст научной статьи и цель исследования, а затем генерирует подробный план абляционного эксперимента: формулирует задачу, описывает постановку, варианты эксперимента, фиксированные протоколы и метрики. Модель обучена методом GRPO с наградой по фиксированной рубрике, без предварительного supervised warm-start; данные основаны на научных статьях с лицензиями Creative Commons. Это плотная авторегрессионная модель на 7,6 млрд параметров с контекстом до 40 960 токенов. Карточка указывает английский язык, формат весов safetensors и лицензию Apache-2.0. Модель предназначена для исследовательского планирования и оценки абляций; качество планов зависит от полноты и точности предоставленного контекста статьи, а карточка описывает оценку на AblationBench, но не приводит результаты.

Карточка модели StarLiu714/GPT-oss-MOFinder на Hugging Face совпадает с карточкой StarLiu714/GPT-oss-MOF, поэтому описание составлено по ней. GPT-oss-MOF — дообученная StarLiu714 модель на базе GPT-oss-20B для предсказания того, приведут ли заданные условия реакции к образованию кристаллического металлоорганического каркаса (MOF). Это причинная языковая модель архитектуры GPT-OSS с разреженной экспертной структурой MoE; опубликованный репозиторий содержит BF16-веса в формате safetensors, токенизатор и данные для обучения и проверки. В метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для оценки условий синтеза MOF по текстовому описанию реакции и выдаёт вероятность положительного результата. В README приведены обучающая выборка из 23 528 примеров и отложенная выборка из 2 595 примеров; часть кластеров из одной публикации встречается в обеих выборках, что следует учитывать при оценке обобщения. Для запуска и продолжения обучения нужны Python, PyTorch и совместимый CUDA GPU; описанный сценарий использует BF16 и может требовать значительной видеопамяти. Лицензия репозитория — GPL-3.0.

Graph-PReFLexOR — дообученная диалоговая языковая модель для генерации текста и структурированного рассуждения с помощью графов знаний. Она создана для научного поиска: модель строит и расширяет граф понятий и связей по ходу ответа, формирует символические представления аргументов и использует их для логических выводов. В описанных примерах она генерирует научные гипотезы, исследует связи между дисциплинами и рассматривает задачи из материаловедения и инженерии, включая проектирование белковых биоматериалов. Модель основана на Meta-Llama-3.2-3B-Instruct, имеет 3,2 млрд параметров и контекст до 131 072 токенов. Она предназначена для текстового диалога и генерации ответов; в метаданных также указана поддержка интерфейса вызова инструментов. В README подход к обучению описан как вдохновлённый методами обучения с подкреплением. Модель распространяется по лицензии Apache-2.0. Графовое рассуждение может помогать выявлять междисциплинарные связи и представлять ход анализа в структурированной форме. README приводит демонстрационные примеры, но не сообщает количественных оценок качества или ограничений на области применения; результаты для конкретных научных задач требуют проверки.

CrystaLLM-pi_base — авторегрессионная модель GPT-2, разработанная Bone и коллегами из University College London как базовая предварительно обученная модель для фреймворка CrystaLLM-pi. Она обучена на корпусе файлов CIF из набора LeMaterial и генерирует структуры неорганических кристаллов, используя закономерности синтаксиса CIF, симметрии и химического состава. Модель принимает текстовые подсказки, например формулу или пространственную группу, а также может создавать структуры без условий. Она не поддерживает управление генерацией по свойствам, таким как ширина запрещённой зоны или плотность. Модель использует архитектуру GPT-2 и имеет контекстное окно 1024 токена, что ограничивает практическую генерацию ячейками примерно до 20 атомов. Её можно применять для исследования химического пространства и дополнения описания структуры по частичной подсказке, а также дообучать для условной генерации по свойствам. Выходом служат последовательности CIF; модель может создавать синтаксически корректные, но физически недопустимые или химически нестабильные структуры. Результаты отражают смещения обучающего набора и лучше соответствуют известным стабильным неорганическим соединениям. Лицензия — MIT.

GIANTS-4B — языковая модель, разработанная для предвосхищения научных идей по научной литературе. По кратким описаниям двух исходных статей она генерирует ключевую идею последующей работы, опирающейся на обе статьи. Модель представлена в работе «GIANTS: Generative Insight Anticipation from Scientific Literature» и дообучена на GiantsBench-train на базе Qwen3-4B. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и примерно 3,7 млрд параметров. Она принимает текст и генерирует текст; максимальная длина контекста составляет 40 960 токенов. Для оценки авторы указывают бенчмарк GiantsBench-test. Модель предназначена для исследовательских сценариев, связанных с выявлением перспективных идей и связей между научными работами. Репозиторий распространяется под лицензией CC BY 4.0.

HypoDiverse: LIFPO — дообученная диалоговая языковая модель, созданная viciousa3gis на базе Qwen/Qwen3-4B и оценённая на наборе HypoDiverse. В карточке описан чекпойнт после слияния весов, обученный методом LIFPO: скрытые идентификаторы генераций и кредит с поправкой на частоту помогают разным генерациям охватывать разные допустимые гипотезы; для проверки корректности используется тот же верификатор, что и в GRPO. Модель предназначена для генерации текста и диалогов, в частности для задач рассуждения и выдвижения разнообразных допустимых гипотез. Архитектура — плотная Qwen3ForCausalLM, около 3,7 млрд параметров; контекст — до 40 960 токенов. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия Apache-2.0. Результаты зависят от задачи и качества проверяющей функции; README не приводит численных сравнений качества и подробной оценки ограничений. Это текстовая модель, поэтому она не принимает изображения, аудио или видео как отдельные входные модальности.

qinghuiwan/structural-isomorphism-v2-expanded — модель Sentence Transformers на базе BERT, дообученная для поиска структурного сходства между научными явлениями из разных областей. Она преобразует текстовые описания в эмбеддинги и помогает находить явления с общей математической или динамической структурой, даже если они относятся к разным предметным областям. Модель рассчитана на сопоставление описаний и поиск строгих междисциплинарных аналогий; в карточке сообщается о более высокой точности отбора по сравнению с предыдущей версией. Модель дообучена на shibing624/text2vec-base-chinese и содержит 129,5 млн параметров. Она использует архитектуру BERT, принимает текст, имеет контекстное окно 512 токенов и ориентирована на китайский язык. В README описаны обучение на 5 689 примерах и оценка на наборе научных явлений; опубликованные результаты относятся к указанным в карточке тестовым наборам и не гарантируют качество для иных данных. Лицензия — MIT.

OpenReasoning-Nemotron-7B — языковая модель NVIDIA на 7,1 млрд параметров, дообученная методом supervised fine-tuning на базе Qwen2.5-7B. Это плотный декодерный трансформер семейства Qwen2, предназначенный для рассуждений и решения задач по математике, программированию и естественным наукам. Модель принимает текст и генерирует текст; в карточке указано контекстное окно 131 072 токена, а README сообщает об обучении на генерацию ответов длиной до 64 000 токенов. Модель рассчитана на разработчиков и исследователей, работающих со сложными задачами, олимпиадной математикой, кодом и научными вопросами. Её можно запускать в обычном режиме или использовать в многократной генерации с последующим выбором решения через GenSelect; описанная в README настройка GenSelect ориентирована на математику и, по заявлению разработчиков, обобщается на код и научные вопросы. В README приведены результаты на математических, научных и программных бенчмарках, но они не гарантируют такое же качество на произвольных задачах. Модель поддерживает английский язык согласно языковым метаданным. NVIDIA рекомендует для ускорения инференса GPU-системы NVIDIA; в README перечислены NeMo, vLLM и TensorRT-LLM. Лицензия — CC BY 4.0; README позиционирует модель для коммерческого и некоммерческого исследовательского использования.

Qwen-AgentWorld-35B-A3B-bf16 — сборка модели Qwen-AgentWorld-35B-A3B в формате MLX и точности bfloat16, опубликованная mlx-community для Apple Silicon. Это текстовая языковая модель мира на архитектуре Qwen3.5 MoE с интерфейсами чата и вызова инструментов; она предназначена для симуляции сред и предсказания текстовых наблюдений после действий агента. Примеры сценариев включают предсказание вывода команд Linux и моделирование взаимодействия с интерфейсами. Базовая модель описана как предназначенная для семи областей агентов, но README не перечисляет их. Сборка содержит только языковые веса: объявленные в конфигурации компоненты зрения и MTP отсутствуют, поэтому модель не поддерживает мультимодальный ввод. Весы занимают около 65 ГБ, а пиковое потребление памяти при генерации составляет около 69 ГБ; README рекомендует 128 ГБ объединённой памяти либо квантованные варианты для менее мощных устройств. Карточка указывает лицензию Apache-2.0.

GPT-oss-MOF — дообученная StarLiu714 модель на базе GPT-oss-20B для предсказания того, приведут ли заданные условия реакции к образованию кристаллического металлоорганического каркаса (MOF). Это причинная языковая модель архитектуры GPT-OSS с разреженной экспертной структурой MoE; опубликованный репозиторий содержит BF16-веса в формате safetensors, токенизатор и данные для обучения и проверки. В метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для оценки условий синтеза MOF по текстовому описанию реакции и выдаёт вероятность положительного результата. В README приведены обучающая выборка из 23 528 примеров и отложенная выборка из 2 595 примеров; часть кластеров из одной публикации встречается в обеих выборках, что следует учитывать при оценке обобщения. Для запуска и продолжения обучения нужны Python, PyTorch и совместимый CUDA GPU; описанный сценарий использует BF16 и может требовать значительной видеопамяти. Лицензия репозитория — GPL-3.0.

K2 Think V2 — открытая модель с 70,5 млрд параметров для рассуждений, разработанная командой IFM и основанная на дообученной модели K2-V2-Instruct. Это плотная авторегрессионная модель семейства Llama для генерации текста и диалогов, с акцентом на сложные математические задачи и сильными результатами на конкурсных бенчмарках. Модель также показывает результаты на задачах программирования. В README указана длина контекста 131 072 токена с расширением вдвое через YaRN; метаданные каталога указывают нативный контекст 262 144 токена. Шаблон чата унаследован от K2-V2-Instruct, по умолчанию задан высокий уровень рассуждений; режимы low и medium доступны, но не проверялись. Карточка сообщает о хороших агрегированных результатах оценки безопасности, однако отмечает потенциал улучшения в обработке чувствительных персональных данных. Лицензия Apache-2.0; условия использования запрещают незаконное и вредоносное применение и предоставляют модель без гарантий.

Ditto-8B — модель с открытыми весами на 8 млрд параметров, разработанная для симуляции человеческого поведения. Она предназначена для моделирования пользователей и учащихся, отыгрыша персонажей и персон, а также задач, связанных с теорией разума и социальными навыками. Модель дообучена методом DITTO: она учится улучшать ответы по словесной обратной связи, используя её как сигнал обучения; при обычном применении обратная связь не требуется. Выпущенная версия объединяет навыки специализированных моделей DITTO в одну универсальную модель.

cafierom/smiles_embedding_gemma_FT — текстовая Sentence Transformer модель, дообученная на базе google/embeddinggemma-300m. Она преобразует предложения и абзацы в плотные векторы размерности 768 и предназначена для поиска и сравнения текстовых представлений с использованием косинусного сходства. Модель построена на архитектуре Gemma 3 Text и содержит около 302,8 млн параметров. В карточке указаны обучение на 3 396 парах premise и hypothesis и оценка на 600 примерах с метками; примеры состоят из строк SMILES, поэтому модель ориентирована на сравнение и поиск сходства между текстовыми представлениями молекул. Для неё указана максимальная длина последовательности 128 токенов; метаданные базовой модели указывают контекст 2 048 токенов. Поддерживается текстовый ввод, выход — векторные эмбеддинги. Лицензия в предоставленных данных не указана.

SuperQwen-AgentWorld-35B-A3B-abliterated — дообученная версия Qwen/Qwen-AgentWorld-35B-A3B от Jiunsong. Это разговорная MoE-модель семейства Qwen 3.5 для генерации текста; в карточке указаны 2,9 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на симуляцию сред AgentWorld, форматирование наблюдений, выполнение инструкций, выдачу JSON и форматов вызова инструментов, а также на технические ответы на корейском языке. Поддерживает английский и корейский языки. Разработка включает постобучение для задач AgentWorld и обработку весов, направленную на сокращение необоснованных отказов в безвредных, авторизованных и защитных сценариях. В README приведены улучшения на ряде тестов относительно исходной модели, но прокси-оценка AgentWorldBench указывает на небольшое снижение относительно оригинала. Модель распространяется в формате safetensors, без необходимости подключать адаптер во время работы, под лицензией Apache-2.0.

ABForge-Qwen3-8B-Task1 — языковая модель от SlowGuess для определения целей абляции по контексту научной статьи без описания абляций. Она предлагает пары «целевой модуль — исследовательский вопрос», помогая планировать эксперименты и формулировать, что именно следует исключить и какой вопрос проверит абляция. Модель основана на плотной архитектуре Qwen3ForCausalLM с 7,6 млрд параметров и дообучена на Qwen/Qwen3-8B в два этапа: supervised fine-tuning и оптимизация GRPO с рубриками. Контекст — до 40 960 токенов. Карточка указывает английский язык; модель работает с текстом и предназначена для генерации ответов в диалоговом формате. Распространяется под лицензией Apache-2.0. Модель ориентирована на анализ исследовательских статей и проектирование абляционных экспериментов. Её оценивали на отложенной выборке AblationBench; показатели качества в карточке не приведены, поэтому предложения требуют проверки исследователем и могут зависеть от полноты и точности контекста статьи.

ANIMA-Neural-Hermes — языковая модель Severian для научных задач и биомимикрии. Это шестой последовательный этап дообучения исходной ANIMA-Phi-Neptune-Mistral-7B на наборе Neural-Hermes с примерами диалогов по STEM и биодизайну. Модель предназначена для многошагового диалога, помощи в биомиметическом процессе проектирования и обсуждения биологии и экологических наук. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Лицензия — MIT. Модель иногда продолжает диалог от имени обеих сторон и отвечает сама себе; в README это отмечено как известная проблема архитектуры Mistral.

BEST — Intern-S1-mini context-conditioned molecule transfer V10.3.0.2 — это дообученная языковая модель jiosephlee для переноса свойств молекул с учётом контекста анализа. Чекпойнт предназначен для задачи пероральной биодоступности и выбран по результатам валидации из серии смешанного непрерывного обучения. Основа — jiosephlee/Intern-S1-mini-lm; модель имеет архитектуру Qwen3ForCausalLM с 7,6 млрд параметров и принимает контекст до 65 536 токенов. Модель поставляется в формате Transformers с весами safetensors и токенизатором. В README приведены метрики Macro-F1@5, NDCG@5 и Spearman на валидационной и тестовой выборках; это результаты конкретного эксперимента, а не гарантия качества на новых данных. Сведения о лицензии и точном формате входных данных в карточке не приведены.

ReactionT5v2-forward — модель семейства T5, разработанная авторами исходной модели и представленная в этом репозитории как зеркало Aurigene AI. Она предсказывает продукты химической реакции по реагентам и исходным веществам, заданным в виде SMILES, и предназначена для прямого прогнозирования реакций и планирования синтеза. Модель содержит 99,3 млн параметров, использует архитектуру T5 для преобразования последовательностей и доступна в формате safetensors на библиотеке Transformers. Обучение проводилось на Open Reaction Database (ORD); авторы сообщают о способности обобщать на незнакомую химию без дополнительной настройки. Карточка также указывает возможность дообучения на собственном наборе данных. В таблице результатов приведены сравнения с другими моделями на USPTO_MIT, но отдельный показатель именно этой версии ReactionT5v2-forward из представленного фрагмента однозначно установить нельзя. Лицензия — MIT. Модель предназначена для химического прогнозирования и не заменяет экспериментальную проверку предложенных продуктов.

SciThinker-30B — языковая модель команды OpenMOSS-Team для генерации идей продолжения научного исследования. По названию и аннотации исходной статьи она предлагает направление последующей работы; модель представлена в рамках статьи «AI Can Learn Scientific Taste». Это дообученная модель семейства Qwen3 с архитектурой MoE, загружается через Transformers и использует формат safetensors. Метаданные указывают 2,6 млрд параметров и контекст до 262 144 токенов. Модель предназначена для научной идеации: например, для подготовки гипотез и поиска возможных продолжений исследования по заданной публикации. Основной язык карточки — английский. Лицензия Apache-2.0. Описание не сообщает о проверке качества или ограничениях на конкретных научных дисциплинах; предложенные моделью идеи требуют экспертной оценки.

Chem-R-Faithful — это исследовательская языковая модель для генерации ответов о химических молекулах, созданная на основе Chem-R-8B и дообученная командой phenixace методом GRPO. При обучении точность ответа поощрялась только тогда, когда рассуждение не содержало неподтверждённых утверждений о функциональных группах. Модель построена на плотной архитектуре Llama, содержит 7,5 млрд параметров, принимает текст и поддерживает контекст до 131 072 токенов. Модель предназначена для генеративных химических задач: описания молекул и преобразования описаний в молекулярные представления, ретросинтетического анализа и подзадач бенчмарка S²-Bench. По сравнению с исходной Chem-R-8B в описанных оценках снизилась частота выдуманных утверждений о функциональных группах, а доля трасс рассуждений без обнаруженных ошибок выросла; фабрикации при этом не устранены полностью. Проверяющий компонент оценивает структурно проверяемые утверждения о функциональных группах, кольцевых системах и классах молекул, но не подтверждает полноту или корректность химического аргумента целиком. Модель распространяется по лицензии CC BY 4.0.