I.13Симуляция, моделирование и открытие нового

Dayhoff-170M-GRS-SS-134000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная Kevin K. Yang и соавторами. Она предназначена для исследований в области белкового моделирования: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов с заданными структурными мотивами. Модель использует гибридную архитектуру Jamba: слои Mamba и Transformer чередуются с блоками Mixture-of-Experts. Она обучена авторегрессионному предсказанию последовательностей в направлениях N→C и C→N, поддерживает контекст до 262 144 токенов и может работать с одиночными последовательностями и развёрнутыми множественными выравниваниями. В метаданных указано 23,6 млн параметров; веса доступны в формате safetensors. Модель рассчитана только на белковые последовательности, а не на естественный язык или ДНК. Сгенерированные последовательности не всегда реалистичны, а генерация белков без сходства с природными последовательностями остаётся сложной задачей. Лицензия — MIT.

LLaMat-2 — языковая модель для задач материаловедения, разработанная M3RG и DAIR при IIT Delhi. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, полученная дообучением meta-llama/Llama-2-7b. Модель принимает текст и генерирует текст на английском языке; длина контекста — 2048 токенов. Модель предназначена как основа для специализированных приложений в материаловедении. Её можно дообучать для извлечения информации из научных материалов, понимания таблиц, разбора исследовательских данных и генерации кристаллических структур. Карточка указывает лицензию LLaMA-3, тогда как метаданные Hugging Face указывают llama2; условия следует сверить с лицензией в репозитории перед использованием.

LLaMat-3 — специализированная языковая модель для материаловедения, разработанная M3RG и DAIR в IIT Delhi. Она создана на основе Meta Llama 3 8B и продолжительно предобучена на данных по материаловедению; число параметров составляет 7,5 млрд, контекст — до 8192 токенов. Модель работает с английским текстом и поддерживает диалоговый режим. LLaMat-3 предназначена как основа для адаптации к научным задачам: извлечения информации, понимания таблиц, разбора исследовательских данных и генерации кристаллических структур. Для предобучения использовались Cerebras CS-2, а для дообучения и инференса — вычислительный кластер IIT Delhi. Модель распространяется по лицензии Llama 3; перед применением следует учитывать её условия.

SciThinker-4B — дообученная языковая модель команды OpenMOSS-Team для генерации идей научных исследований. На основе названия и аннотации исходной статьи она предлагает идею продолжения исследования. Модель относится к семейству Qwen3, имеет плотную архитектуру Qwen3ForCausalLM и 3,7 млрд параметров; для генерации текста используется библиотека Transformers. Она основана на Qwen/Qwen3-4B-Thinking-2507 и представлена в рамках работы «AI Can Learn Scientific Taste». Модель предназначена для начального поиска направлений дальнейшей научной работы по статье. Карточка не сообщает о специальных ограничениях качества или поддерживаемых языках, кроме английского в метаданных. Лицензия — Apache-2.0.

AstroSage-70B — авторегрессионная языковая модель семейства Llama, разработанная AstroMLab для астрономии, астрофизики, космологии, космических наук и астрономического приборостроения. Модель содержит 69,5 млрд параметров и дообучена на базе Meta-Llama-3.1-70B: прошла продолженное обучение на астрономической литературе, настройку на инструкциях и слияние настроенных моделей. Она использует архитектуру и токенизатор Llama 3.1 и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых ответов на научные вопросы, объяснения астрономических понятий, обзоров и суммирования научных статей, а также для помощи в генерации исследовательских идей и программировании анализа астрономических данных. Основной язык карточки — английский; базовая Llama поддерживает многоязычную генерацию, но акцент этой модели — научные материалы по астрономии. Модель может ошибаться и уверенно выдавать неверные научные сведения; факты следует проверять. Её знания о публикациях по астрономии охватывают материалы до января 2024 года, поэтому более поздние открытия и исследования могут отсутствовать. AstroSage-70B распространяется по лицензии Llama 3.1 Community License.

AXELIDEA-QUON-14B-Japanese-v01 — языковая модель Axelidea Inc. для творческого мышления и генерации идей на японском и английском языках. Она содержит 14,1 млрд параметров, использует архитектуру Llama и предназначена для генерации текста и диалогов. Контекст модели — до 16 384 токенов. Модель создана на основе shisa-ai/shisa-v2.1-unphi4-14b и объединяет 60 экспертных LoRA, обученных на японских патентных документах для дивергентного мышления, аналогий, смены перспективы и генерации идей с ограничениями. Разработчик заявляет о применении модели для мозговых штурмов, межотраслевых инноваций, анализа патентного ландшафта, подготовки раскрытий изобретений и исследовательской работы. В сравнительной оценке, приведённой в карточке, модель заняла первое место среди перечисленных моделей класса 14B на японском наборе задач; результат не гарантирует аналогичного качества в других сценариях. Карточка предупреждает, что модель может ненадёжно выполнять сложные или строго структурированные инструкции: обучение было ориентировано на творческую генерацию. Репозиторий распространяется по лицензии MIT.

Bioinspired-Base-Hermes-3-Llama-3.1-8B — диалоговая языковая модель для научных вопросов и генерации идей в области биоинспирированных материалов. Её разработала команда LAMM в MIT на основе Llama 3.1 8B: модель прошла продолженное предобучение, дообучение на инструкциях и ORPO, после чего веса объединили методом SLERP с Hermes 3. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; модель рассчитана на контекст до 131 072 токенов и использует библиотеку Transformers и шаблон диалога ChatML. Обучение включало около 8 000 научных статей о биоинспирированных материалах, а также наборы данных для инструкций и диалога. Модель предназначена для обсуждения научных концепций, вопросов и ответов по материаламедения и биоматериалам, а также для генерации исследовательских гипотез и биоинспирированных проектных идей. Карточка показывает диалоговые примеры и ролевые аналогии; это генеративная модель, а не специализированный классификатор или инструмент для проверки научной достоверности. Лицензия в предоставленных сведениях не указана.

ChemFM-1B — химическая foundation-модель с примерно 1 млрд параметров, предназначенная для работы с молекулярными данными и представлением SMILES. Модель связана с проектом или организацией ChemFM; точные сведения о разработчике в карточке не указаны. В качестве связанного набора данных указан UniChem, а тематические метки указывают на сценарии анализа химических структур и молекул. Из доступных данных нельзя определить архитектуру, поддерживаемые языки и модальности, размер контекста, конкретные задачи, в которых модель показывает наилучшие результаты, а также её сильные стороны и ограничения. Модель распространяется по лицензии MIT.

CrystaLLM-pi_mp_20_base — авторегрессионная модель GPT-2, разработанная Bone et al. из University College London. Она обучена с нуля примерно на 25,9 млн параметров на текстах CIF из набора c-bone/mp_20_pxrd и служит безусловной базовой моделью LeMat-Bench для генерации кристаллических структур. Модель принимает текстовые последовательности CIF и генерирует CIF; также поддерживает генерацию с подсказкой. Контекст составляет 1024 токена. Обучающие структуры — результаты расчётов DFT с релаксацией, а не экспериментальные данные. Модель предназначена для генерации неорганических кристаллических структур и оценки базового качества на MP-20. Она воспроизводит распределение обучающего набора, поэтому разнообразие новых структур ограничено. Модель не позволяет задавать целевые свойства, не рассчитана на системы с разупорядочением, органические материалы и MOF; большие ячейки могут не поместиться в контекст. Структурная корректность CIF не гарантирует термодинамическую стабильность, для оценки которой требуется дополнительный энергетический скрининг. Лицензия — MIT.

lamm-mit/Graph-Preflexor-4b_07012026 — диалоговая визуально-языковая модель семейства Gemma 4, дообученная на основе lamm-mit/Graph-Preflexor-sft-4b_0621026. Она предназначена для ответов на запросы с изображениями и текстом; теги карточки также связывают её с рассуждениями о графах и AI4Science, а в качестве датасета указан graph_reasoning_10K. Модель работает через Transformers, веса опубликованы в формате safetensors. README содержит только заголовок об использовании сервера mistral.rs и не описывает качество, точный размер, контекст или поддерживаемые языки. Модель распространяется по лицензии Apache-2.0.

Precious3-GPT — разработанная Insilico Medicine компактная биомедицинская языковая модель на архитектуре MPT с 88,3 млн параметров. Она предназначена для работы с мультиомными данными разных видов и поддерживает сценарии генерации и анализа сигнатур экспрессии генов. Модель может генерировать списки повышенно и пониженно экспрессируемых генов по метаданным о ткани, соединении или поле, а также предсказывать соединения или заболевания по сигнатурам. В карточке описаны режимы для задач «метаданные → сигнатура → соединение», а также сценарии с заболеваниями, соединениями и возрастными группами. Модель можно запускать как причинную языковую модель через Transformers. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое; карточка не приводит контекстное окно или список естественных языков.

Protein-Llama-3-8B — специализированная модель на архитектуре Llama 3, разработанная Esperanto и дообученная методом LoRA на наборах последовательностей белков. Она генерирует новые белковые последовательности по текстовым подсказкам: как без заданных свойств, так и с управляемой генерацией для поддерживаемых семейств белков. Модель предназначена для исследовательских и инженерных сценариев в биотехнологии, включая поиск вариантов белков для разработки лекарств и химического синтеза. Она содержит 7,5 млрд параметров, работает через Transformers и имеет контекстное окно 8192 токена. README указывает на 10 поддерживаемых классов для управляемой генерации, но не перечисляет их. Модель основана на Meta-Llama-3-8B и рассчитана на работу с белковыми последовательностями и текстовыми подсказками. Лицензия в доступных данных не указана.

ANIMA-Nectar — специализированная текстовая модель Severian для научных дисциплин, включая биомимикрию, биологию и экологию. Она предназначена для сопровождения пользователей в процессе биомиметического проектирования: помогает исследовать природные решения и применять их при разработке идей и стратегий решения задач. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров и контекстом 32 768 токенов. По README, она создана как девятое последовательное дообучение ANIMA-Phi-Neptune-Mistral-7B с дополнительными 20 часами обучения на смешанном наборе данных по биомимикрии, STEM и Nectar. Модель ориентирована на длинные многоходовые рассуждения и склонна давать очень подробные ответы. Репозиторий содержит веса Safetensors; лицензия — MIT. Модель подходит для изучения биомиметических подходов, генерации идей и проработки научно-технических задач в диалоге. Среди известных ограничений — иногда модель продолжает диалог сама с собой, воспроизводя роли пользователя и ассистента. В README не указаны языки обучения или гарантии точности ответов.

Eubiota-Planner-8B — плотная причинная языковая модель примерно на 7,6 млрд параметров, разработанная Eubiota на базе Qwen/Qwen3-8B и дообученная методом GRPO-MAS для планирования научных исследований микробиома. Она предназначена для генерации гипотез о взаимодействиях хозяина и микробов, планирования экспериментов и координации агентов и инструментов при изучении научных вопросов. Модель работает с текстом и имеет контекстное окно до 40 960 токенов. В обучении использовались Microbio-Bench, PubMedQA, MedQA-USMLE и другие наборы данных; среди заявленных сценариев — поиск научной литературы и запросы к биологическим базам данных, включая KEGG. Карточка также сообщает об оценке на общебиомедицинских и специализированных бенчмарках микробиома. Модель может помогать исследователям формулировать механистические гипотезы, составлять планы экспериментов и выбирать последовательность инструментов для поиска и анализа данных. Это специализированная модель для научных задач, и её выводы требуют проверки; доступные материалы не подтверждают автономную надёжность планов или научных заключений. Лицензия — Apache-2.0.

Ulam-1 — математическая модель рассуждений на 27,36 млрд параметров, разработанная Ulam AI на основе Qwen/Qwen3.8-27B. Это слитый чекпойнт BF16 для Transformers: дообучение затрагивало текстовый декодер, а исходные токенизатор, процессор и ветвь обработки изображений сохранены. Модель предназначена для исследовательского решения математических задач, отладки доказательств и поиска возможных подходов; также поддерживает ввод изображений и видео через мультимодальный интерфейс Qwen. Длина контекста в архитектурной конфигурации — 262 144 токена, но фактическая вместимость зависит от оборудования и настроек обслуживания. Модель полезна как помощник для изучения математических задач, но её выводы не являются формально проверенными доказательствами. Она может допускать существенные математические ошибки, оставлять пробелы в рассуждениях или выдавать длинные цепочки рассуждений вместо краткого ответа. Ветвь зрения после текстового дообучения отдельно не оценивалась. Распространяется по лицензии Apache-2.0.

ANIMA (Advanced Nature Inspired Multidisciplinary Assistant) — дообученная языковая модель Severian для биомимикрии и научных задач. Она основана на CollectiveCognition-v1-Mistral-7B и использует архитектуру Mistral с 7,1 млрд параметров; контекст — до 32 768 токенов. Модель обучена на наборе Severian/Biomimicry, включающем более 4 000 научных запросов и ответов. ANIMA помогает применять процесс биомиметического проектирования: формулировать задачу, находить природные аналоги, выделять принципы их работы и переносить их в инженерные или дизайнерские решения. Она рассчитана на диалог с уточнениями и обратной связью, а также охватывает биологию, экологию, инженерное дело и промышленный дизайн. Модель принимает и генерирует текст. README не приводит метрик качества и подробностей обучения, поэтому результаты требуют проверки, особенно для научных и инженерных решений. В метаданных указана лицензия Apache-2.0, тогда как README указывает MIT; условия лицензирования следует уточнить перед использованием.

Dayhoff-3b-UR90-10 — генеративная белковая языковая модель, разработанная Kevin K. Yang и соавторами. Она предназначена для исследовательских задач моделирования и проектирования белковых последовательностей. Архитектура Jamba сочетает слои Mamba и Transformer с механизмом смеси экспертов; модель обучена авторегрессионно в направлениях N→C и C→N и рассчитана на контекст до 262 144 токенов. Репозиторий содержит 445,7 млн параметров в формате safetensors. Модель поддерживает генерацию белковых последовательностей, предсказание эффектов мутаций без дополнительного обучения и проектирование последовательностей с заданными структурными мотивами или эволюционным контекстом. Она обучена на наборе данных Dayhoff и предназначена только для белковых последовательностей, а не для естественного языка или последовательностей ДНК. Сгенерированные последовательности не всегда реалистичны, а получение качественных последовательностей без сходства с известными природными белками остаётся сложной задачей. Лицензия — MIT.

OlmoLogic 7B Think — англоязычная авторегрессионная языковая модель на базе Transformer, разработанная лабораторией Artificial Intelligence and Machine Learning Lab Технического университета Дармштадта. Модель содержит 6,9 млрд параметров, использует архитектуру Olmo 3 и поддерживает контекст до 65 536 токенов. Она дообучена на базе allenai/Olmo-3-7B-Think-DPO методом GRPO с применением обучения с проверяемыми наградами и индуктивного логического программирования. Модель предназначена прежде всего для построения логических правил на Prolog и решения задач логического рассуждения. В обучении ответы для задач SLR проверялись исполнением Prolog-программ; также в смеси данных были задачи на математику, код и следование инструкциям. Разработчики сообщают о существенном улучшении результатов на SLR-Bench и приросте на отложенных логических тестах; на математике, коде и следовании инструкциям показатели, согласно карточке, сохранились на прежнем уровне. Это исследовательская разработка, пригодная для применения в задачах рассуждения, но качество может различаться между типами задач; длинные цепочки рассуждений требуют достаточного лимита генерируемых токенов. Модель распространяется по лицензии Apache 2.0.

ANIMA (Advanced Nature Inspired Multidisciplinary Assistant) — дообученная Severian языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она предназначена для диалога и генерации текста по научным и философским темам, особенно для решения задач с помощью биомимикрии и этапов биомиметического проектирования. Модель обучалась на примерах по биомимикрии, биологии, экологии и STEM, а также на научных и философских текстах. README указывает базовую модель ehartford/dolphin-2.0-mistral-7b и контекст до 32 768 токенов. Модель может помогать находить природные аналоги инженерных задач и объяснять научные понятия. Она генерирует ответы, поэтому факты и рекомендации в областях науки и проектирования следует проверять. Лицензия репозитория — Artistic-2.0.

Dayhoff-3b-GR-HM-41000 — модель генерации белковых последовательностей из семейства Dayhoff, разработанная группой исследователей, перечисленных в карточке модели. Она предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов с заданными структурными мотивами или эволюционным контекстом. Суффикс GR-HM связан с гомологичным кондиционированием, указанным среди сценариев применения семейства Dayhoff. Модель использует гибридную архитектуру Mamba и Transformer с блоками Mixture-of-Experts и авторегрессионным обучением в направлениях N→C и C→N. Метаданные указывают 445,7 млн параметров, контекст до 262 144 токенов, формат safetensors и библиотеку Transformers. Модель работает с белковыми последовательностями и может учитывать развёрнутые множественные выравнивания последовательностей; естественный язык и ДНК не поддерживаются. Лицензия — MIT. Сильные стороны — длинный контекст, генерация с учётом гомологов и структурного контекста, а также поддержка предсказания эффектов мутаций без дообучения. Сгенерированные последовательности не гарантированно реалистичны, а создание высококачественных белков без сходства с известными природными последовательностями остаётся сложной задачей. Модель не следует использовать для генерации данных, отличных от белковых последовательностей.

RetroReasoner-RoundTrip-8B — диалоговая языковая модель KU-AGI для прямого предсказания химических реакций: по исходным веществам, заданным в формате SMILES, она генерирует предполагаемый продукт реакции. Модель дообучена на базе Qwen/Qwen3-8B и содержит 7,6 млрд параметров; её архитектура — плотная Qwen3ForCausalLM. Она принимает текстовый запрос в шаблоне чата Qwen3 и выдаёт краткое текстовое завершение. Указана длина контекста 40 960 токенов, но модель обучали и оценивали с конкретным форматом запроса; другие форматы могут давать нестабильные результаты. Модель предназначена для предсказания продуктов химических реакций и оценки прямого синтеза в рамках round-trip-проверки проекта RetroReasoner. Это не модель ретросинтеза: она не предсказывает исходные вещества по целевому продукту. Язык карточки — английский; запросы предполагают химические структуры в SMILES. Модель распространяется по лицензии Apache-2.0.

Dayhoff-3b-GR-HM-31000 — авторегрессионная модель генерации белковых последовательностей из семейства Dayhoff, разработанная исследователями, перечисленными в карточке Microsoft. Вариант GR-HM предназначен для генерации с условием на гомологичные последовательности. Модель использует гибридную архитектуру Mamba и Transformer с блоками Mixture-of-Experts; в репозитории указано 445,7 млн параметров и контекст до 262 144 токенов. Веса опубликованы в формате Safetensors, лицензия — MIT. Модель подходит для безусловного проектирования белковых последовательностей, предсказания эффектов мутаций без дообучения, создания белковых каркасов для заданных структурных мотивов и генерации с учётом гомологов. Обучение в направлениях N→C и C→N позволяет заполнять пропуски в последовательностях в произвольном порядке. Она предназначена только для белковых последовательностей и не рассчитана на обычный текст или последовательности ДНК; реалистичность и новизна сгенерированных последовательностей не гарантированы.

Eurus-2-7B-PRIME — языковая модель PRIME-RL, построенная на базе Qwen2.5-Math-7B-Base и обученная командой PRIME-RL методом PRIME: онлайн-обучением с подкреплением, использующим неявные оценки процесса решения. Модель предназначена для генерации ответов с рассуждениями, особенно при решении математических задач и написании кода; авторы сообщают об улучшении результатов на ряде математических тестов относительно версии Eurus-2-7B-SFT. Это плотная причинная модель Qwen2 с 7,1 млрд параметров, работающая через Transformers и принимающая текстовые запросы. Заявленный контекст — 4096 токенов. Для задач по математике и программированию README предлагает специальные формулировки запросов; приведённые результаты относятся к указанным бенчмаркам и не гарантируют аналогичного качества на других задачах. Модель распространяется под лицензией Apache-2.0.

Mol-LLaMA — разработанная авторами проекта молекулярная языковая модель на базе meta-llama/Llama-3.1-8B-Instruct, дообученная с LoRA и дополненная проекторами для работы с представлениями молекул. Архитектура использует предварительно обученные 2D-энкодер MoleculeSTM и 3D-энкодер Uni-Mol, объединяет их данные с помощью cross-attention и передаёт молекулярные представления в языковую модель через Q-Former на основе SciBERT. Модель предназначена для диалоговых запросов о молекулах, объяснения их характеристик и генерации ответов с опорой на молекулярные представления. Веса хранятся в формате safetensors; для инференса авторы отсылают к примеру кода в репозитории GitHub. В качестве базовой модели используется Llama 3.1 8B Instruct, а обучение проводилось на датасете Mol-LLaMA-Instruct. Лицензия репозитория — Apache-2.0. Карточка не сообщает о контекстном окне или количественных оценках качества, поэтому описание ограничивается заявленными архитектурой и назначением.

MolXPT — модель генерации последовательностей, разработанная как вариант GPT и основанная на BioGPT. Она предварительно обучена на строках SMILES, представляющих молекулы, обёрнутых обычным текстом; для модели также переопределён токенизатор. Модель предназначена для генерации текста и последовательностей молекулярных структур в текстовом представлении. Она содержит 448,3 млн параметров, использует архитектуру BioGPT и доступна в формате PyTorch; длина контекста составляет 2048 токенов. В метаданных указана библиотека Transformers. Лицензия в предоставленных данных не указана.

RITA-XL — авторегрессионная языковая модель для белковых последовательностей, разработанная LightOn совместно с группой OATML Оксфордского университета и лабораторией Debbie Marks Гарвардского университета. Модель относится к семейству RITA и построена на плотной архитектуре причинного языкового моделирования; в репозитории доступны веса PyTorch и SafeTensors. Метаданные указывают размер 1,4 млрд параметров, а карточка сообщает об обучении на UniRef-100. Модель предназначена для генерации белковых последовательностей и может применяться для исследования вариантов последовательностей и моделирования белковых данных. В Hugging Face для неё указан тег text-generation; каталог также отмечает text-classification как поддерживаемую задачу. В README приведены результаты для меньших вариантов семейства, но отдельная оценка качества RITA-XL не описана. Лицензия в предоставленных данных не указана.

SpatialBlock-3B-direct — мультимодальная модель на архитектуре Qwen2.5-VL, разработанная авторами работы SpatialBlock и дообученная на синтетическом наборе SpatialBlock-15k. Она принимает изображения и текстовые запросы и напрямую предсказывает ответы на задачи пространственного рассуждения: проекцию 3D-сцен в 2D, преобразование точки зрения и комбинирование структур из блоков. Модель содержит 3,1 млрд параметров, использует Qwen2.5-VL-3B-Instruct как базовую модель и поддерживает контекст до 128 000 токенов. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Карточка описывает обучение и примеры задач, но подробные результаты оценки и характеристики модели-партнёра приведены во внешней статье и репозитории.

DMind-3 — модель DMindAI для аналитики Web3 и финансовых сценариев. Карточка описывает её как макростратегический инструмент для анализа DeFi, оценки рисков и генерации прогнозов на основе потоков рыночной информации. Модель предназначена для исследовательских отчётов о протоколах, оценки токеномики, анализа системных рисков и поддержки автономных агентных систем. В README заявлена архитектура gpt-oss-20b с модифицированным Transformer и Multi-Scale RoPE, однако метаданные указывают на дообучение Qwen/Qwen3.5-27B и архитектуру Qwen3.5. Поэтому точная базовая архитектура по доступным сведениям противоречива. Метаданные задают задачу text-generation, библиотеку Transformers и формат safetensors; поддержка изображений не подтверждена, несмотря на мультимодальное описание базовой модели. Карточка ориентирует модель на английский и китайский языки. Модель рассчитана на анализ DeFi и Web3, включая выявление межпротокольных рисков и подготовку стратегических обзоров. Прогнозы вероятностны, модель не гарантирует предсказание редких рыночных событий, а сведения README указывают на отсечение знаний в июне 2025 года; результаты финансового анализа требуют независимой проверки. Лицензия — Apache-2.0.

TxGravity-30B-A5B — специализированная языковая модель компании Trillion Labs для прогнозирования терапевтических свойств. Она дообучена методом supervised fine-tuning на базе trillionlabs/Gravity-30B-A5B-Base и использует архитектуру GravityMoE, совместимую с DeepSeek-V3. По README, модель содержит 29,56 млрд параметров, из которых активно 5,34 млрд; метаданные указывают 3,8 млрд параметров. Поддерживается контекст до 131 072 токенов, веса доступны в формате safetensors, запуск предусмотрен через Transformers. Модель обучена на инструкционных данных Therapeutic Data Commons для 57 задач. Она принимает текстовые запросы в формате instruction → answer и выдаёт текстовые ответы: метки (A)/(B) для бинарной классификации или нормализованные значения от 000 до 1000 для регрессии. Сценарии включают прогнозирование ADMET и токсичности малых молекул, взаимодействий лекарств с мишенями, белок-белковых и пептид-MHC взаимодействий. README сообщает, что на 53 из 57 оценивавшихся задач модель превзошла TxGemma-27B. Модель не предназначена для общего диалога и не является safety-aligned ассистентом; её ответы рассчитаны на терапевтические запросы в стиле TDC. Предсказания могут быть неточными, смещёнными или неполными, поэтому их необходимо независимо проверять до экспериментального, клинического или иного практического применения. Лицензия — Apache-2.0.

tinyopsec/GenPRM-7B-GGUF — набор GGUF-квантизаций модели GenPRM-7B, разработанной командой GenPRM и авторами Jian Zhao и соавторами. Модель основана на архитектуре Qwen2 и обучена на базе DeepSeek-R1-Distill-Qwen-7B. Репозиторий tinyopsec предназначен для запуска модели в llama.cpp и совместимых средах. Модель представляет собой генеративную process reward model для математического рассуждения. Она анализирует решения пошагово, выполняет явное рассуждение и проверку кода, после чего выносит суждение о корректности отдельных этапов. Поддерживаются сценарии verifier и critic, оценка относительного прогресса (RPE), критика и уточнение решений, а также масштабирование вычислений во время выполнения с помощью параллельной генерации и голосования по большинству. Заявленный язык — английский; поддерживается текстовая модальность. Доступны варианты от F16 размером 15,2 ГБ до Q2_K размером 3,02 ГБ, включая рекомендуемый для общего использования Q4_K_M размером 4,68 ГБ. Квантизация позволяет запускать модель на устройствах с ограниченной памятью, но более сильное сжатие может снижать качество. Фактические требования зависят от длины контекста, KV-кэша и настроек среды выполнения; в примере указано значение контекста 8192 токена. Модель распространяется по лицензии MIT.