IV.3Страхование и актуарные задачи

FIM-PP — модель FIM4Science для анализа маркированных временных точечных процессов. Она оценивает условные функции интенсивности событий по контекстному набору последовательностей и поддерживает применение без дообучения, а также последующую тонкую настройку. Модель построена на архитектуре FIMHawkes и загружается через Transformers; для работы также требуется пакет fim. Выпущенный чекпойнт настроен максимум на 22 типа событий и ожидает контекстные данные и тензоры вывода в формате Hawkes, описанном в учебном руководстве OpenFIM по точечным процессам. Лицензия — MIT.

Карточка модели jseraph/Google-Labyrinth-S-6 на Hugging Face совпадает с карточкой microsoft/Phi-4-mini-reasoning, поэтому описание составлено по ней. Phi-4-mini-reasoning — компактная языковая модель Microsoft семейства Phi-4 на архитектуре Phi3ForCausalLM с 3,8 млрд параметров. Она дообучена на синтетических данных с упором на математические рассуждения и поддерживает генерацию текста; в метаданных указан контекст 4096 токенов. Модель предназначена для пошагового решения сложных математических задач при ограничениях по памяти, вычислительным ресурсам и задержке. Её можно применять для решения задач по математике, символьных вычислений, формальных доказательств и учебного тьюторства. В карточке также заявлена поддержка контекста до 128 тысяч токенов, что расходится с длиной контекста в метаданных. Модель разработана и выпущена Microsoft по лицензии MIT. Она ориентирована прежде всего на математические рассуждения, а не на все типы задач; из-за компактного размера может ошибаться в фактах. Карточка рекомендует оценивать точность и безопасность для конкретного применения.

Adaptive Classifier — классификатор мошеннических и добросовестных примеров на основе answerdotai/ModernBERT-base. Модель поддерживает непрерывное обучение и динамическое добавление классов; в карточке указаны два класса, 10 примеров и размерность эмбеддингов 768. Для обновления классификатора нужны примеры размеченных классов. Модель предназначена для бинарной классификации примеров как fraudulent или legitimate. Для каждого класса требуется не менее трёх примеров, а максимальное число примеров на класс составляет 150; прототипы обновляются каждые 10 примеров. Репозиторий распространяется под лицензией Apache-2.0.

jiaowoxiaoguojiuxing/model — дообученная версия Qwen2.5-Math-7B, представленная как инструктивная модель для диалогов и генерации ответов. Она предназначена прежде всего для решения математических задач на английском и китайском языках с пошаговыми рассуждениями (CoT) и интегрированным использованием инструментов для вычислений и символьных преобразований (TIR). Модель построена на плотной архитектуре Qwen2 с 7,1 млрд параметров и принимает текстовый ввод, генерируя текстовые ответы. Базовая модель рассчитана на контекст до 4096 токенов. Модель подходит для пошагового решения математических задач и задач, где важны вычислительная точность и алгоритмические рассуждения. Разработчики Qwen2.5-Math не рекомендуют использовать эту серию для задач вне математики. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Phi-4-mini-reasoning — компактная языковая модель Microsoft семейства Phi-4 на архитектуре Phi3ForCausalLM с 3,8 млрд параметров. Она дообучена на синтетических данных с упором на математические рассуждения и поддерживает генерацию текста; в метаданных указан контекст 4096 токенов. Модель предназначена для пошагового решения сложных математических задач при ограничениях по памяти, вычислительным ресурсам и задержке. Её можно применять для решения задач по математике, символьных вычислений, формальных доказательств и учебного тьюторства. В карточке также заявлена поддержка контекста до 128 тысяч токенов, что расходится с длиной контекста в метаданных. Модель разработана и выпущена Microsoft по лицензии MIT. Она ориентирована прежде всего на математические рассуждения, а не на все типы задач; из-за компактного размера может ошибаться в фактах. Карточка рекомендует оценивать точность и безопасность для конкретного применения.

SuperCorrect-7B GGUF — квантизированная версия языковой модели SuperCorrect-7B, созданная Richard Erkhov на основе модели BitStarWalkin и базовой Qwen/Qwen2.5-Math-7B-Instruct. Оригинальная модель разработана исследователями из Peking University, Skywork AI, UC Berkeley и Stanford University, включая Ling Yang, Zhaochen Yu, Tianjun Zhang, Minkai Xu, Joseph E. Gonzalez, Bin Cui и Shuicheng Yan. Модель предназначена прежде всего для решения математических задач, рассуждений и самокоррекции ответов. Она обучена и оценивалась на наборах MATH и GSM8K; заявлено превосходство над DeepSeekMath-7B и Qwen2.5-Math-7B на этих бенчмарках среди моделей с 7B параметров. SuperCorrect использует двухэтапную тонкую настройку и иерархический шаблон рассуждений Buffer of Thought. Доступны варианты в формате GGUF с квантованием Q2_K–Q8_0 и размером примерно от 2,81 до 7,54 ГБ. Указана поддержка английского языка, архитектура на базе Qwen2.5-Math-7B-Instruct и текстовая модальность; размер контекста в README не приведён. Сильные стороны модели — математическое рассуждение и способность к самокоррекции, однако её специализация ограничивает применимость за пределами математических задач, а влияние степени квантования на точность может различаться. Модель распространяется по лицензии Apache-2.0.

MetaMath-Mistral-Pro — языковая модель TencentARC, дообученная на наборе математических задач MetaMathQA и основанная на Mistral-Pro. Это плотная авторегрессионная модель семейства Mistral с 8,9 млрд параметров, предназначенная для генерации текста и решения задач по математике. Модель принимает текстовые запросы и генерирует текстовые ответы; заявленная длина контекста составляет 32 768 токенов. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0.

OPDLM-MATH-8B-Thinking — математическая языковая модель, разработанная DiveLab и построенная на адаптации Qwen/Qwen3-8B. Это вариант OPDLM с блочной диффузионной генерацией: блоки по 4 токена обрабатываются за 4 шага денойзинга; модель дообучена для математических рассуждений и поддерживает явный блок chain-of-thought при генерации. Она предназначена для решения математических задач и пошагового вывода в диалоговом формате. Модель содержит 7,6 млрд параметров, использует архитектуру a2d-qwen3 и формат safetensors; метаданные указывают контекст до 40 960 токенов, тогда как README характеризует математическое постобучение как длинноконтекстное на 8k. Для запуска требуется custom modeling code с trust_remote_code=True и специальные средства инференса OPDLM, а стандартный авторегрессионный model.generate не подходит. Лицензия — Apache-2.0.

AceMath-72B-Instruct — языковая модель NVIDIA для решения математических задач. Она основана на архитектуре Qwen2 и содержит 71,5 млрд параметров; модель дообучена на базе Qwen2.5-Math-72B-Base в несколько этапов: сначала на общих инструкционных данных, затем на специализированных математических примерах. Модель предназначена для решения задач на английском языке с пошаговыми рассуждениями Chain-of-Thought. Её можно использовать в диалоговых интерфейсах, где требуется получить решение математической задачи. В README сообщается о высоких результатах на математических бенчмарках, однако модель рекомендуется именно для математики. Контекст составляет 4096 токенов. Модель принимает и генерирует текст. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Карточка модели allenai/BAR-5x7B на Hugging Face совпадает с карточкой allenai/BAR-2x7B-Math, поэтому описание составлено по ней. BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

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

BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

Модель samrawal/bert-base-uncased_clinical-ner — модель распознавания именованных сущностей в клинических текстах, основанная на BERT и разработанная автором репозитория Sam Rawal. Она размечает упоминания проблем со здоровьем, методов лечения и медицинских тестов. Модель обучена на наборе i2b2 для задачи Relations 2010; для доступа к набору данных требуется запрос на сайте n2c2. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выполняет поклассовую классификацию токенов. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

Plutus-Meta-Llama-3.1-8B-Instruct-bnb-4bit — дообученная версия Meta-Llama-3.1-8B-Instruct, созданная 0xroyce. Это трансформерная языковая модель семейства LLaMA для генерации текста и диалогового взаимодействия. Модель предназначена прежде всего для задач в области финансов, экономики, инвестиций, трейдинга, управления рисками, поведенческой психологии, кибербезопасности и социальной инженерии. Она может применяться для анализа финансовых документов, обсуждения рыночных сценариев и экономических теорий, исследования психологии трейдинга, а также изучения тактик манипуляции и киберугроз. Модель содержит около 8 миллиардов параметров и использует 4-битную квантизацию bnb на основе bitsandbytes, что снижает требования к ресурсам и упрощает локальный запуск. Дообучение проводилось на наборе данных 0xroyce/Plutus, включающем материалы из 394 книг по финансам, инвестициям, торговым стратегиям, количественному анализу, психологии, социальной инженерии, военной стратегии и психологическим операциям. В README не указаны размер контекста и перечень поддерживаемых языков; заявлен английский язык. Сильная сторона модели — специализация на тематике финансов и смежных аналитических областях при относительно небольшом размере и экономичной 4-битной конфигурации. Ограничения включают возможную недостоверность прогнозов и аналитических выводов, отсутствие гарантии актуальности знаний и риски при использовании материалов, связанных с манипуляцией, социальной инженерией и кибербезопасностью. Модель распространяется по лицензии llama3.1.

Qwen2.5-Math-72B — плотная языковая модель семейства Qwen2.5, разработанная командой Qwen. Это базовая версия с 71,5 млрд параметров для продолжения текста и few-shot решения математических задач; для диалога предназначена версия Instruct. Модель поддерживает рассуждение по цепочке мыслей (CoT) и интегрированное с инструментами рассуждение (TIR), помогающее выполнять точные вычисления и символьные преобразования. Модель ориентирована на математические задачи на английском и китайском языках. Авторы не рекомендуют применять эту серию для других задач. Архитектура — Qwen2ForCausalLM, формат весов — safetensors, библиотека — Transformers; базовый контекст составляет 4096 токенов. Модель создана дообучением Qwen/Qwen2.5-72B. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели.

Карточка модели sschet/bert-base-uncased_clinical-ner на Hugging Face совпадает с карточкой samrawal/bert-base-uncased_clinical-ner, поэтому описание составлено по ней. Модель samrawal/bert-base-uncased_clinical-ner — модель распознавания именованных сущностей в клинических текстах, основанная на BERT и разработанная автором репозитория Sam Rawal. Она размечает упоминания проблем со здоровьем, методов лечения и медицинских тестов. Модель обучена на наборе i2b2 для задачи Relations 2010; для доступа к набору данных требуется запрос на сайте n2c2. Модель содержит 136,7 млн параметров, принимает текст с контекстом до 512 токенов и выполняет поклассовую классификацию токенов. В метаданных указаны версии весов для PyTorch, TensorFlow и Flax. Карточка не сообщает лицензию, поэтому условия использования определить нельзя.

FengHe — модель для метеорологических сервисов, разработанная Центром общественных метеорологических услуг Китайского метеорологического управления на базе GLM-4.5-Air. Модель дообучена на специализированном корпусе метеорологических материалов объёмом более 50 млн токенов и 490 тыс. примеров инструкций. Она использует архитектуру GLM-4 MoE с причинным языковым моделированием; размер составляет 8,5 млрд параметров, контекст — до 131 072 токенов. Модель принимает и генерирует текст, поддерживает китайский и английский языки, а также диалоговый режим и вызов инструментов. FengHe предназначена для понимания запросов о погоде и метеорологических услугах, создания сводок, отчётов и пояснений к предупреждениям, анализа погодных рисков и поддержки принятия решений. Она также может использовать инструменты для получения метеорологических данных и организации сервисных процессов. В README сообщается о превосходстве над рядом универсальных моделей на MetsEval-1k, однако подробные численные результаты здесь не приведены. Модель распространяется по лицензии MIT; разработчик запрещает использовать её для создания ложных предупреждений и вводящей в заблуждение метеорологической информации.

Healthcare Brain Procedure Surgery NER — модель Genzeon Platforms для извлечения сведений о хирургических и диагностических процедурах из клинических текстов на английском языке. Это модель токен-классификации на базе Bio_ClinicalBERT с архитектурой BERT и 135,5 млн параметров; она размечает 11 типов сущностей с помощью BIO-тегов и использует правила для извлечения CPT-кодов и дат. Контекст модели — до 512 токенов. Модель предназначена для разбора операционных записей и клинических заметок, учёта процедур, наблюдения за хирургическими устройствами, клинических исследований и поддержки предварительной авторизации. Карточка приводит общую точность F1 0,938, однако отмечает, что обучение в основном опирается на синтетические шаблонные данные, поэтому качество на разнообразных реальных записях может отличаться. Извлечение CPT-кодов не проверяет соответствие кода процедуре; для важных клинических решений рекомендуется проверка специалистом. Лицензия — Apache-2.0.

CorticalStack/mistral-7b-metamathqa-sft — модель Mistral для генерации текста, дообученная методом supervised fine-tuning на наборе MetaMathQA от meta-math. Она предназначена для ответов на математические вопросы и решения задач в диалоге. Модель содержит 7,1 млрд параметров, использует плотную архитектуру MistralForCausalLM и поддерживает контекст до 32 768 токенов. Карточка указывает LoRA-параметры: r=256, alpha=128, dropout=0; в репозитории представлены веса safetensors. Модель может быть полезна для получения пошаговых решений и объяснений по математическим задачам. Базой для дообучения была 4-битная версия unsloth/mistral-7b-bnb-4bit. Лицензия — Apache-2.0. Карточка не сообщает о дополнительных ограничениях качества или безопасности.

Модель winglian/qwen3-14b-math — дообученная компанией или автором winglian плотная языковая модель Qwen3 с 14 млрд параметров, основанная на Qwen/Qwen3-14B-Base. Она предназначена для генерации текста с математической специализацией: обучалась на наборе winglian/OpenThoughts-114k-math-correct. В метаданных указаны поддержка чата, интерфейса вызова инструментов и контекст до 32 768 токенов; модель хранится в формате safetensors и использует библиотеку Transformers. Модель подходит для ответов на математические вопросы, объяснения решений и генерации текста с математическим содержанием. README сообщает значение loss 0,3439 на оценочном наборе, но не описывает методику и метрики оценки, поэтому по этому числу нельзя судить о качестве в реальных сценариях. Лицензия — Apache-2.0.

EdBianchi разработал эту модель как дообученную версию Vision Transformer google/vit-base-patch16-224-in21k для классификации изображений с целью обнаружения огня. Модель содержит 113,2 млн параметров и распространяется в формате PyTorch. В README приведены результаты оценки: loss 0,0126, precision 0,9960 и recall 0,9960. Сведения о наборе данных, условиях оценки и ограничениях не приведены, поэтому эти показатели не позволяют судить о качестве на других изображениях. Лицензия — Apache-2.0.

AceMath-7B-Instruct — языковая модель NVIDIA для решения математических задач на английском языке. Она основана на архитектуре Qwen2 и содержит 7,1 млрд параметров; модель обучена в несколько этапов: сначала на данных общего инструкционного обучения, затем на специализированных математических данных. Для ответов используется рассуждение по цепочке мыслей (Chain-of-Thought). Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Модель предназначена прежде всего для решения математических задач и пошагового вывода. NVIDIA сообщает о результатах, превосходящих Qwen2.5-Math-7B-Instruct на ряде математических тестов. Карточка рекомендует использовать семейство AceMath именно для математики, поэтому пригодность для других задач не заявлена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

DeepSeekMath-7B-RL — языковая модель DeepSeek, ориентированная на математические задачи. Это плотная авторегрессионная модель семейства LLaMA с 6,5 млрд параметров, работающая с текстом и имеющая контекст до 4096 токенов. В метаданных также указана возможность диалогового взаимодействия. Модель подходит для генерации текстовых ответов и решения математических задач в диалоге. В карточке не приведены подробные результаты оценки, перечень поддерживаемых языков или конкретные математические области, поэтому её точность и охват задач по README определить нельзя. Репозиторий содержит веса PyTorch и safetensors; лицензия указана как other, без уточнения условий в предоставленных данных.

Flex-math-2x7B-1T — языковая модель AllenAI из семейства FlexOlmo, построенная по архитектуре Mixture-of-Experts. Она объединяет экспертов, обученных на разных корпусах; математический эксперт получен дообучением публичного эксперта на математических данных. README описывает вариант 2x7B как MoE без обучения маршрутизатора, а метаданные указывают 6,9 млрд параметров и контекст до 4096 токенов. Модель предназначена для генерации текста и диалоговых сценариев, с акцентом на математические задачи. В опубликованном сравнении индивидуальная плотная математическая модель показывает результат 53,1 на Math2; это значение относится к плотной версии, а не к MoE-чекпойнту. FlexOlmo также рассчитана на совместную разработку моделей с контролем участников над использованием их данных. Модель принимает текст и генерирует текст. В карточке указан английский язык. Для запуска README рекомендует Transformers версии 4.57.0 или новее. Лицензия — Apache-2.0.

granite-geospatial-uki — разработанная IBM геопространственная базовая модель на архитектуре ViT с энкодером, обученным по стратегии Masked AutoEncoder. Она использует архитектуру Prithvi-EO и предназначена для извлечения признаков из многоканальных спутниковых изображений HLS L30 и Sentinel-1 SAR. Модель дополнительно обучена на 16 000 изображениях, охватывающих Великобританию и Ирландию, после предварительного обучения на данных HLS для континентальной части США. Модель принимает восемь каналов: Blue, Green, Red, Narrow NIR, SWIR 1, SWIR 2, VV и VH. Её можно дообучать для сегментации изображений, например, для обнаружения наводнений в Великобритании и Ирландии. Репозиторий распространяется по лицензии Apache-2.0; IBM отмечает, что не обязуется поддерживать или обновлять проект.

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.

Thermostatic/deepseek-math-10.8b-rl — плотная текстовая авторегрессионная модель семейства Llama, созданная объединением предобученных языковых моделей с помощью линейного метода mergekit. В карточке указана DeepSeekMath-7B-RL от DeepSeek как включённая в объединение модель; каталог также связывает её с чекпойнтом как с базовой моделью для дообучения. Размер модели — 10,3 млрд параметров, контекст — 4096 токенов. Модель предназначена для генерации текста в диалоговом формате и решения математических задач. Её можно использовать для получения ответов и пошаговых объяснений по математическим вопросам. Карточка не описывает отдельные оценки качества или дополнительные языки, поэтому выводы о них сделать нельзя. Репозиторий содержит веса в формате safetensors; лицензия в предоставленных данных не указана.

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.

DeepSeekMath 7B Base — базовая текстовая модель семейства DeepSeekMath, разработанная DeepSeek AI для генерации текста, в том числе для математических задач. Это плотная авторегрессионная архитектура Llama с 6,5 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных указана лицензия other. Карточка модели не раскрывает подробности обучения и не приводит конкретных ограничений качества, поэтому пригодность для специализированных математических сценариев следует оценивать на целевых задачах.

Карточка модели TAKADOX/Qwen2.5-Math-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-1.5B, поэтому описание составлено по ней. Qwen2.5-Math-1.5B — математическая языковая модель семейства Qwen, разработанная командой Qwen. Это базовая модель с плотной архитектурой Qwen2 и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-1.5B. Она генерирует продолжение текста и предназначена прежде всего для решения математических задач на английском и китайском языках с использованием пошаговых рассуждений (CoT); серия также поддерживает рассуждения с подключением инструментов (TIR). Модель рассчитана на завершение текста и few-shot-инференс и может служить отправной точкой для дальнейшего дообучения. Контекст составляет 4096 токенов. Для работы рекомендуется Transformers версии 4.37.0 или новее; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Разработчики не рекомендуют применять модель для задач, отличных от математики. Карточка отдельно указывает, что вариант 1.5B без суффикса Instruct является базовой моделью для completion и few-shot, а не инструкционной моделью для диалога.