IV.5Образование и развитие навыков

INTELLECT-MATH — языковая модель Prime Intellect на 7,1 млрд параметров для математических рассуждений. Она основана на архитектуре Qwen2 и обучена в два этапа: дообучение на проверенных ответах QwQ и последующее обучение с подкреплением по рецепту PRIME-RL. Модель предназначена для решения математических задач и пошагового рассуждения. В карточке приведены результаты на MATH-500, OLYMPIADBENCH и AIME 2024; авторы сообщают, что модель превосходит Eurus-2-PRIME и достигает сопоставимых результатов при более коротком обучении с подкреплением. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, предусмотрен чатовый сценарий использования. Модель выпущена под лицензией MIT. Опубликованные результаты относятся к математическим бенчмаркам; карточка не подтверждает качество в других областях. Язык данных явно не указан.

Карточка модели PrimeIntellect/INTELLECT-MATH-step-47 на Hugging Face совпадает с карточкой PrimeIntellect/INTELLECT-MATH, поэтому описание составлено по ней. INTELLECT-MATH — языковая модель Prime Intellect на 7,1 млрд параметров для математических рассуждений. Она основана на архитектуре Qwen2 и обучена в два этапа: дообучение на проверенных ответах QwQ и последующее обучение с подкреплением по рецепту PRIME-RL. Модель предназначена для решения математических задач и пошагового рассуждения. В карточке приведены результаты на MATH-500, OLYMPIADBENCH и AIME 2024; авторы сообщают, что модель превосходит Eurus-2-PRIME и достигает сопоставимых результатов при более коротком обучении с подкреплением. Контекст составляет 4096 токенов. Репозиторий содержит веса в формате safetensors, предусмотрен чатовый сценарий использования. Модель выпущена под лицензией MIT. Опубликованные результаты относятся к математическим бенчмаркам; карточка не подтверждает качество в других областях. Язык данных явно не указан.

InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

Карточка модели internlm/internlm2-math-plus-mixtral8x22b на Hugging Face совпадает с карточкой internlm/internlm2-math-plus-1_8b, поэтому описание составлено по ней. InternLM2-Math-Plus-1.8B — двуязычная языковая модель для математических рассуждений, разработанная командой InternLM. Это плотная авторегрессионная модель семейства InternLM2 с 1,7 млрд параметров, представленная в формате Safetensors; контекст составляет 8192 токена. Модель ориентирована на решение математических задач и заявлена как помощник для доказательств, проверки решений и подготовки математических примеров. Модель предназначена для неформальных рассуждений, включая пошаговые решения и использование кода, а также для формальных задач — перевода математических утверждений в LEAN 4 и доказательства теорем. В README приведены результаты на MATH, GSM8K и MiniF2F; версия 1.8B показала 37,0 на MATH, 41,5 на MATH с Python и 58,8 на GSM8K в указанной оценке. Заявленные языки — английский и китайский. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

K-12BERT — модель на основе BERT, разработанная для образовательной области K–12, то есть школьного образования. Она создана продолжительным предобучением на корпусе K-12Corpus, собранном из открытых и проприетарных образовательных материалов; использует исходный словарь BERT и обучалась с целью masked language modeling. Модель предназначена для адаптации языковых представлений к образовательным текстам и может применяться в исследованиях и инструментах для онлайн-обучения, включая извлечение признаков текста и заполнение маскированных слов.

LFM2-350M-Math — компактная языковая модель Liquid AI для решения сложных математических задач. Это дообученная версия LFM2-350M с плотной архитектурой LFM2; в репозитории указано 444,6 млн параметров, поддержка контекста до 128 000 токенов и формат safetensors. Модель принимает текст и генерирует текстовые ответы в диалоговом шаблоне, рассчитана на английский язык. Модель предназначена для математических задач, требующих пошагового рассуждения и проверки ответа, включая сложные олимпиадные задачи. Разработчик рекомендует однократные диалоги и жадное декодирование с заданными параметрами генерации; системный промпт не рекомендуется. Компактный размер ориентирован на низкую задержку и локальный запуск на периферийных устройствах. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке модели.

llama-3-wissenschaft-8B-v2 — диалоговая языковая модель на архитектуре Llama 3, опубликованная nbeerbower. Это дообучение nbeerbower/llama-3-bophades-v3-8B на текстовой части набора ScienceQA; исходная модель основана на Llama 3 8B. Модель предназначена для генерации текста и ответов на вопросы по научным темам. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors. Нативная длина контекста — 8192 токена. В README указано, что дообучение выполнялось на A100 в Google Colab. Лицензия обозначена как other; README указывает на условия META LLAMA 3 COMMUNITY LICENSE AGREEMENT, поэтому использование регулируется этой лицензией.

mathexpert7b — объединённая языковая модель на архитектуре Mistral, разработанная автором репозитория Ritik009999. Модель объединяет MetaMath-Mistral-7B, Mistral-7B-v0.1 и EmbeddedLLM/Mistral-7B-Merge-14-v0.2, после чего была дополнительно согласована с помощью Direct Preference Optimization (DPO). Она содержит 7,1 млрд параметров и рассчитана на генерацию текста; размер контекста — до 32 768 токенов. Название и состав модели указывают на математическую направленность: её можно использовать для решения задач и получения текстовых объяснений по математике. Лицензия репозитория — Apache-2.0. В карточке не приведены результаты оценки качества или подробности о поддерживаемых языках.

Ba2han/math-test-maxx — дообученная на математических задачах чат-модель на базе Qwen2.5-3B-Instruct. Она предназначена для генерации текстовых ответов и решения задач по математике; в README описан вариант с объединёнными 16-битными весами базовой модели и адаптера ReasonMaxxer offline-search. Модель использует архитектуру Qwen2, содержит 3,1 млрд параметров и поддерживает контекст до 32 768 токенов. В сравнительном тестировании по протоколу greedy 0-shot она показала 85,0% на GSM8K и 62,8% на MATH-500; это результаты конкретного протокола, а не официальные показатели Qwen. Репозиторий распространяется по лицензии Apache-2.0. Русский язык и языки, на которых модель обучалась, в предоставленных данных не определены.

Карточка модели mergekit-community/mergekit-slerp-egyyxzs на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-hfjular на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-mpovshq на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-werhsur на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели meta-math/MetaMath-13B-V1.0 на Hugging Face совпадает с карточкой meta-math/MetaMath-7B-V1.0, поэтому описание составлено по ней. MetaMath-7B-V1.0 — языковая модель семейства LLaMA, разработанная авторами MetaMath и дообученная для решения математических задач. Она обучена на MetaMathQA — дополненных тренировочных данных GSM8K и MATH; README указывает, что тестовые наборы при создании этих данных не использовались. В карточке также описана версия MetaMath-Llemma-7B на базе Llemma-7B, но связь этого чекпойнта с указанной базовой моделью не подтверждена метаданными. Модель предназначена для генерации ответов и рассуждений при решении задач по математике, включая задачи в стиле GSM8K и MATH. Это плотная архитектура LlamaForCausalLM с 6,6 млрд параметров, контекстом 4096 токенов и форматом PyTorch. Лицензия указана как llama2. README приводит результат Pass@1 30,0 на MATH для версии на базе Llemma-7B; этот показатель нельзя уверенно приписать именно репозиторию MetaMath-7B-V1.0.

MMFineReason-4B — мультимодальная модель рассуждений OpenDataArena, дообученная на базе Qwen/Qwen3-VL-4B-Instruct. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и задач, где требуется связать изображение с математическим или научным рассуждением, решить головоломку либо извлечь сведения из текста на изображении. Модель обучали в два этапа: на 1,8 млн примеров с подробными визуально обоснованными объяснениями, затем с применением обучения с подкреплением GSPO. В карточке указано среднее значение 73,9 на наборе бенчмарков, использованном авторами. Архитектура — плотная Qwen3-VL с 4 млрд параметров; формат весов — Safetensors. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Длина контекста в предоставленных сведениях не указана.

NBR-1B-Portuguese-MCQ — языковая модель, разработанная для ответов на вопросы с выбором варианта на португальском языке, прежде всего в бразильском образовательном контексте. Модель основана на архитектуре LlamaForCausalLM: это плотная трансформерная модель примерно на 1,3 млрд параметров с контекстом до 4096 токенов, предназначенная для генерации текста и доступная в формате safetensors через библиотеку Transformers. Модель дообучена методом supervised fine-tuning на бразильских образовательных материалах, юридических текстах для подготовки к экзамену OAB и наборах вопросов и ответов по общим знаниям. В карточке приведены результаты на ENEM, OAB и BLUEX, а также на тесте анализа тональности tweetSentBR; эти показатели заявлены авторами и относятся к указанному протоколу оценки. Лицензия Apache 2.0.

OpenMath-Nemotron-32B — языковая модель NVIDIA для математических рассуждений, созданная дообучением Qwen/Qwen2.5-32B на наборе OpenMathReasoning. Это плотная decoder-only модель семейства Qwen2 с 32 млрд параметров, принимающая текст и генерирующая текст; заявленная длина контекста — до 131 072 токенов. Модель поддерживает режимы пошагового рассуждения (CoT), рассуждения с использованием инструментов (TIR) и выбора решения (GenSelect). Модель предназначена для решения математических задач и исследований в области математического рассуждения. NVIDIA сообщает о высоких результатах семейства OpenMath-Nemotron на математических бенчмарках; приведённые в карточке сравнительные результаты относятся к моделям разных размеров и не дают отдельной оценки именно версии 32B. Модель опубликована в формате safetensors для Transformers и заявлена как пригодная для коммерческого использования по лицензии CC BY 4.0. Для эффективного запуска NVIDIA рекомендует GPU-ускоренные системы; карточка указывает TensorRT/Triton и совместимость с NVIDIA Ampere и Hopper.

OREAL-32B — модель для математических рассуждений, разработанная командой InternLM. Она создана на базе OREAL-32B-SFT методом обучения с подкреплением по итоговому вознаграждению и предназначена для решения математических задач с пошаговым выводом. В README сообщается результат 95,0 pass@1 на MATH-500. Модель имеет плотную архитектуру Qwen2ForCausalLM с 32 млрд параметров, принимает текст и генерирует текст. Метаданные указывают контекстное окно 131 072 токена, поддержку диалогового режима и интерфейса вызова инструментов. В README описано использование шаблона чата с пользовательским вопросом и генерацией ответа. Модель распространяется в формате Safetensors по лицензии Apache-2.0. Результаты на бенчмарках не гарантируют точность на любых математических задачах; модель может ошибаться в вычислениях и рассуждениях.

OREAL-DeepSeek-R1-Distill-Qwen-7B — языковая модель для математических рассуждений, разработанная авторами проекта OREAL и дообученная на DeepSeek-R1-Distill-Qwen-7B методом обучения с подкреплением по результату. В карточке описана серия OREAL, использующая outcome reward-based reinforcement learning для задач с бинарной оценкой результата; для этой версии указана архитектура Qwen2, 7,1 млрд параметров и контекст до 131 072 токенов. Модель предназначена для генерации пошаговых решений математических задач и диалогового использования через chat template. Авторы сообщают о результате 94,0 pass@1 на MATH-500 для 7B-модели OREAL; этот показатель относится к заявленной оценке разработчиков и не гарантирует аналогичное качество на других задачах. Модель работает с текстом и ориентирована прежде всего на математические рассуждения; README не задаёт отдельные языки обучения или использования. Модель распространяется в формате Safetensors для Transformers по лицензии Apache-2.0. В README описаны длинные цепочки рассуждений и обучение на задачах с разреженной бинарной наградой; поэтому ответы могут содержать много промежуточных рассуждений, а качество зависит от предметной области и формулировки задачи.

Pearl-7B-0211-ties — модель генерации текста, созданная Louis Brulé Naudet путём слияния четырёх моделей: Pearl-7B-slerp, WizardMath-7B-V1.1, WestLake-7B-v2-laser и NeuralTrix-7B-dpo. Она предназначена для генерации ответов и решения задач, сочетающих общие языковые способности с математическими и научными знаниями в области химии и биологии. Модель построена на архитектуре Mistral с плотной causal language model, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая тесты на рассуждение, знания и математику; эти показатели относятся к указанной автором оценке. Карточка указывает английский язык и лицензию Apache-2.0.

google/pix2struct-ai2d-base — модель Google на архитектуре Pix2Struct, дообученная для визуальных вопросов и ответов по AI2D. Она принимает изображение и вопрос по его содержимому и генерирует текстовый ответ; для более подходящего формата автор рекомендует вопросы с вариантами ответа. Архитектура сочетает визуальный кодировщик с текстовым декодером, а входы переменного разрешения позволяют обрабатывать визуально насыщенные материалы. Модель предназначена для ответов на вопросы по изображениям, в частности по иллюстрациям и диаграммам. Базовая предобученная модель училась преобразовывать замаскированные скриншоты веб-страниц в упрощённый HTML, а Pix2Struct рассчитана на задачи понимания визуально представленного языка. Репозиторий содержит веса PyTorch и safetensors; лицензия — Apache-2.0. В README не приведены специальные ограничения качества для этой версии.

google/pix2struct-ai2d-large — модель Google семейства Pix2Struct, дообученная для визуальных вопросов и ответов по изображениям AI2D. Она принимает изображение вместе с вопросом и генерирует текстовый ответ; для этой версии рекомендуется формат вопроса с вариантами ответа. Архитектура — визуальный энкодер и текстовый декодер Pix2Struct; предобучение модели основано на преобразовании замаскированных снимков веб-страниц в упрощённый HTML. Модель рассчитана на визуально обусловленные задачи, включая понимание иллюстраций и диаграмм. Карточка описывает дообучение для VQA, а метаданные указывают задачу visual-question-answering и поддержку английского, французского, румынского и немецкого языков. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. Размер модели и длина контекста в предоставленных данных не указаны.

Pocket Atlas 0.8B — разработанная Cetusian модель генерации текста, дообученная на базе unsloth/Qwen3.5-0.8B для кратких и понятных объяснений. На вопросы она отвечает по пятичастной схеме: определение, значение темы, механизм, простой пример и главный вывод. Модель рассчитана на локальную работу на устройствах с ограниченными ресурсами; в карточке представлены веса Safetensors и варианты GGUF в форматах F16, Q8_0 и Q4_K_M, а README также описывает запуск через MLX на Apple Silicon. Модель подходит для объяснения научных, общественных и бытовых тем, а также для перевода сложных материалов на более доступный язык. Обучение включает примеры объяснений, аннотации arXiv и краткие новостные сводки. Карточка указывает английский язык и лицензию Apache-2.0. Это компактная модель с 0,8 млрд параметров; сведения о контекстном окне в предоставленных данных отсутствуют.

PJiNH/QFFT-repro-S1.1-QFFT-7B — независимое воспроизведение модели S1.1 / QFFT из исследования QFFT: Question-Free Fine-Tuning for Adaptive Reasoning. Это полное дообучение инструктивной Qwen2.5-7B-Instruct с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; веса хранятся в формате safetensors. При обучении использованы 1 000 ответов из наборов S1_QFFT и s1K-1.1 без исходных вопросов. Модель не является чекпойнтом авторов исследования и не связана с ними, Qwen или авторами датасетов. Модель предназначена для генерации диалогового текста с пошаговыми рассуждениями, в частности для математических и научных задач. В карточке приведены результаты воспроизведения на GSM8K, MATH500 и AIME25; модель используют в обычном формате чата. Максимальная длина контекста — 32 768 токенов. Карточка указывает английский язык. Это исследовательское воспроизведение с отличиями в настройках обучения от исходного эксперимента: использовались один GPU, gradient accumulation 8, SDPA и DeepSpeed ZeRO-2 с выгрузкой оптимизатора на CPU. Для GPQA отмечено пересечение части контрольных вопросов с источниками обучающих ответов, поэтому результаты по этому тесту следует сообщать вместе с оговоркой о пересечении. Лицензия — Apache-2.0.

QuantOsimo Curriculum Embeddings v1 — дообученная модель Sentence Transformers, созданная Samuel Osagiede для поиска учебного контента в платформе QuantOsimo. Она преобразует текстовые фрагменты в нормализованные векторы размерности 384 и предназначена для семантического поиска и сравнения предложений и абзацев в RAG-сценариях. Модель основана на sentence-transformers/all-MiniLM-L6-v2 и дообучена на 1 077 учебных триплетах, составленных по фрагментам официальных спецификаций AQA, Edexcel и OCR для математики и естественных наук на уровнях KS2–KS5. В архитектуре используются BERT-энкодер, mean pooling и нормализация; сходство измеряется косинусной метрикой. README указывает максимальную длину последовательности 256 токенов, а метаданные — контекст до 512 токенов. Модель рассчитана на поиск материалов британской школьной программы и может быть полезна для подбора источников к вопросам учеников и преподавателей. В README приведены высокие результаты на триплетной оценке, но они относятся к указанным учебным данным и не гарантируют качество на других предметах, программах или языках. Репозиторий не сообщает лицензию.

Qwen2.5-Math-1.5B-GRPO-Staleness-2 — полноразмерный чекпойнт модели Qwen/Qwen2.5-Math-1.5B, дообученный zbeeb методом GRPO на наборе из 17 005 математических задач. Модель построена на плотной архитектуре Qwen2 и содержит 1,5 млрд параметров; поддерживает диалоговую генерацию текста и рассчитана на контекст до 4096 токенов. Модель предназначена для генерации решений математических задач и ответов с конечным результатом, проверяемым на математическую эквивалентность. Обучение использовало групповой размер 8, отсечение PPO 0,2 и ограничение возраста данных для роллаутов в 2 шага. Веса сохранены в Safetensors; для вывода можно загрузить BF16. Карточка приводит самоотчётные результаты оценивания, но не содержит в предоставленном фрагменте самих числовых показателей. Базовая модель рассчитана на английский и китайский языки; обучение и оценивание чекпойнта также описаны для математических задач. Модель распространяется по лицензии Apache-2.0. Указанные результаты являются самоотчётными и зависят от настроек генерации и оценщика; модель может ошибаться в рассуждениях и ответах.

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.

sail/Qwen2.5-Math-7B-Oat-Zero — дообученная языковая модель, созданная по минималистичному рецепту R1-Zero на основе Qwen/Qwen2.5-Math-7B. В README указаны алгоритм Dr. DRPO, шаблон Qwen-Math и обучение на задачах уровней 3–5 из набора MATH. Модель предназначена для генерации ответов и пошаговых решений математических задач. Это плотная авторегрессионная модель архитектуры Qwen2, содержащая 7,1 млрд параметров; максимальная длина контекста — 4096 токенов. Базовая модель рассчитана на математические задачи на английском и китайском языках. Модель опубликована в формате safetensors под лицензией Apache-2.0. Карточка показывает результаты оценки на математических бенчмарках, но не приводит их значения; качество на других типах задач не описано.

Qwen2-Math-72B-Instruct — специализированная языковая модель семейства Qwen2, разработанная командой Qwen для диалогового решения математических задач. Она предназначена для арифметики, математических вопросов и задач, требующих многошаговых логических рассуждений; версия Instruct настроена для общения по инструкциям, а не только для продолжения текста. Модель имеет плотную архитектуру Qwen2ForCausalLM и около 71,5 млрд параметров, работает с текстом и поддерживает контекст до 4096 токенов. Карточка отмечает, что на момент публикации модель в основном поддерживала английский язык; метаданные также указывают английский. Модель распространяется в формате safetensors и используется через Transformers. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели. По сравнению с общей языковой моделью Qwen2, эта версия ориентирована на математическое рассуждение; доступная информация не содержит конкретных результатов тестирования или гарантии точности.

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.