IV.5Образование и развитие навыков

peiyi9979/math-shepherd-mistral-7b-rl — языковая модель Mistral-7B, дообученная peiyi9979 методом PPO на математических задачах MetaMath с использованием Math-Shepherd в качестве модели вознаграждения. Она принимает условие задачи без системного промпта и генерирует пошаговое решение со специальным маркером шага. В карточке приведены результаты Pass@1: 84,1 на GSM8K и 33,0 на MATH. Модель содержит 7,1 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; длина контекста — 4096 токенов. Предназначена для решения текстовых математических задач и объяснения хода решения. Для запуска в обычном режиме следует учитывать, что автор рекомендует подавать только условие задачи, без системного промпта. Лицензия в предоставленных данных не указана.

MAXWELL — дообученная модель Xerv-AI на базе Qwen2.5-Math-1.5B-Instruct, предназначенная для математических вычислений, аналитических рассуждений и решения задач по физике. Она использует архитектуру Qwen2 с плотной causal language model на 1,5 млрд параметров и рассчитана на контекст до 4096 токенов. Модель принимает текст и генерирует текст; в метаданных указан английский язык. Для повышения устойчивости ответов авторы предлагают использовать STSS: генерировать несколько вариантов ответа при разных температурах, затем передавать их модели для объединения и проверки. Этот подход требует шесть проходов генерации, поэтому увеличивает задержку и расход токенов примерно в шесть раз. Длинные вычисления и доказательства могут превысить контекст при подаче нескольких вариантов. Модель опубликована под лицензией Apache-2.0.

MegaScience-Qwen-GGUF — набор квантованных моделей в формате GGUF, опубликованный пользователем или организацией prithivMLmods и основанный на семействе Qwen3 и Qwen2.5. Модели дообучены на датасете MegaScience, содержащем более 1,25 млн научных вопросов и ответов университетского уровня из открытых учебников и научных бенчмарков по семи дисциплинам. В состав набора входят варианты Qwen3-1.7B, Qwen3-4B, Qwen3-8B, Qwen2.5-1.5B, Qwen2.5-3B и Qwen2.5-7B, хотя для некоторых вариантов в README приведены неполные сведения о файлах. Модели предназначены для генерации текста, научного рассуждения, ответов на вопросы, решения математических задач, образовательных сценариев и работы с общими знаниями. Поддерживается английский язык; заявлена текстовая модальность. Ключевой особенностью является специализация на научных данных и наличие нескольких уровней размера и квантования, включая BF16, F16, F32 и варианты Q2_K–Q8_0, что позволяет выбирать компромисс между качеством, потреблением памяти и скоростью локального запуска. К сильным сторонам относятся ориентация на научное рассуждение, компактные варианты для ограниченных ресурсов и доступность нескольких форматов GGUF. Ограничения связаны с тем, что точное окно контекста, архитектурные детали, требования к оборудованию, показатели отдельных версий и рекомендации по использованию конкретных квантований в README не указаны. Модели распространяются по лицензии Apache-2.0.

Это объединённая языковая модель на архитектуре Mistral с 7,1 млрд параметров, созданная сообществом mergekit-community методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1. Конфигурация смещает вклад Hermes к входным и выходным слоям, а WizardMath — к средним слоям. Модель предназначена для генерации текста и диалогов, в том числе для сочетания инструкционного общения с математическими задачами. Она принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия и отдельные результаты оценки качества в предоставленных данных не описаны. Как и у других объединённых моделей, качество может различаться между задачами и требует проверки на целевом сценарии.

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.

Weyaxi/MetaMath-neural-chat-7b-v3-2-Ties — объединённая модель на архитектуре Mistral, созданная методом TIES Merge из meta-math/MetaMath-Mistral-7B и Intel/neural-chat-7b-v3-2. В слиянии использованы веса 0,5 для MetaMath-Mistral-7B и 0,3 для neural-chat-7b-v3-2; плотность для обеих моделей указана как 0,5. Модель предназначена для генерации текста и объединяет математическую направленность MetaMath с возможностями диалоговой модели neural-chat. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений применения.

Morphy-Math-1.5B — языковая модель команды Moolvylabs, созданная на базе Qwen2.5-Math-1.5B-Instruct посредством целевого дообучения на сложных академических задачах. Это плотная причинно-авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации пошаговых решений по высшей математике, физике и квантовым вычислениям. Модель принимает текст и генерирует текст; контекст составляет 4096 токенов. Для точной работы с формулами и научной нотацией README рекомендует задавать вопросы на английском языке. Модель рассчитана на локальный запуск, в том числе на потребительском оборудовании. Репозиторий содержит веса в формате safetensors; README также описывает версии в разных форматах квантизации и предупреждает, что сильное сжатие может ухудшать рассуждения на абстрактных многопеременных задачах. Модель распространяется по лицензии Apache-2.0.

NVIDIA OpenMath2-Llama3.1-8B — языковая модель на архитектуре Llama 3.1, полученная дообучением Llama3.1-8B-Base на наборе OpenMathInstruct-2. Модель содержит 7,5 млрд параметров, использует формат safetensors и поддерживает контекст до 131 072 токенов. Она генерирует ответы на математические задачи, включая задачи уровня GSM8K, MATH, AMC и AIME; в опубликованных NVIDIA оценках превосходит Llama3.1-8B-Instruct на рассмотренных математических бенчмарках. Модель предназначена для решения математических задач в диалоговом формате Llama 3.1. Карточка предупреждает, что она не проходила общую настройку следования инструкциям и может плохо отвечать за пределами математики. Для использования действуют условия лицензии Llama 3.1, включая лицензионные условия, политику допустимого использования и политику конфиденциальности Meta.

mujtabaumarr/opus-mt-en-ur-vocational — дообученная модель MarianMT от mujtabaumarr на базе Helsinki-NLP/opus-mt-en-ur для перевода инструкций по рабочим профессиям с английского на урду. Обучение проводилось на корпусе VocabUR: 3 442 сегментах из примерно 32 часов видео о плотницком деле, сантехнических и электротехнических работах, с переводами, проверенными носителями урду со знанием этих областей. На отложенной выборке из 56 сегментов модель получила BLEU 20,83 и chrF 42,91; для базовой модели без дообучения на той же выборке указаны 3,08 и 19,30 соответственно. Модель принимает текст и генерирует текст перевода; контекст — 512 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — Apache-2.0. Карточка позиционирует модель для исследовательского сравнения и рекомендует для промышленного применения сопутствующую NLLB-модель с более высоким результатом на той же выборке. Оценка проведена на небольшой выборке с одним эталонным переводом; возможны различия в допустимой транслитерации, а исходные видео содержат североамериканскую лексику, которая может отличаться от южноазиатской.

Это дообученная модель Microsoft Phi-4 Multimodal Instruct для распознавания турецкой речи и преобразования аудио в текст. В обучении разморозили слои энкодера и провели одну эпоху на парах турецкого аудио и текста; использованы датасеты Common Voice, лекции Khan Academy на турецком и записи с шумом. Модель содержит 3,8 млрд параметров, построена на архитектуре Phi4MM, работает через Transformers и имеет контекст 4096 токенов. Модель предназначена для транскрибирования турецкой речи, в том числе коротких записей и образовательных лекций. В README приведён результат WER 9,7% на тесте Common Voice, однако автор отмечает возможную утечку говорящих между обучающей и тестовой выборками, короткую длительность высказываний и влияние нормализации текста. На шумных или отличающихся по стилю записях качество может быть хуже; модель всё ещё развивается. Лицензия — MIT.

PJiNH/QFFT-repro-S1.1-SFT-7B — независимая репродукция базовой модели S1.1/SFT из работы QFFT: Question-Free Fine-Tuning for Adaptive Reasoning. Это полное дообучение Qwen/Qwen2.5-7B-Instruct с архитектурой Qwen2 dense, 7,1 млрд параметров и форматом safetensors. Модель обучена методом supervised fine-tuning на 1 000 вопросах набора simplescaling/s1K-1.1 с ответами DeepSeek-R1; в обучающий контекст входят системная инструкция рассуждать пошагово и вопрос, а функция потерь применяется к ответу. Модель предназначена для генерации ответов с пошаговым рассуждением, особенно для математических и научных задач. В карточке приведены результаты воспроизведения на GSM8K, MATH500 и AIME25; контекстная длина — 32 768 токенов. Это независимая репродукция, а не чекпойнт авторов статьи и не официальная модель Qwen или Alibaba Cloud. В обучающих данных есть 88 вопросов GPQA, поэтому результаты на GPQA следует интерпретировать с учётом возможного пересечения данных. Лицензия — Apache-2.0; она унаследована от базовой модели, веса которой были изменены дообучением.

QVikhr-2.5-1.5B-Instruct-r — русско-английская инструктивная языковая модель команды Vikhrmodels, дообученная на математических данных ru Math и GSM8K с этапом выравнивания GRPO. Она предназначена для диалоговой генерации текста и решения математических задач, особенно на русском языке. Модель основана на плотной авторегрессионной архитектуре Qwen2ForCausalLM и содержит 1,5 млрд параметров. Работает с текстом, поддерживает русский и английский языки; размер контекстного окна — 32 768 токенов. Для запуска используется библиотека Transformers; доступны варианты конвертации в GGUF и MLX с квантованием 4 и 8 бит. Модель подходит для ответов на математические вопросы и выполнения инструкций на русском и английском языках. Небольшой размер может ограничивать качество на сложных задачах и длинных рассуждениях. Лицензия Apache-2.0.

Эта модель — компактный классификатор вознаграждения на базе Qwen2.5-1.5B-Instruct, дообученный исследовательской группой ETH NLP-ED на парах предпочтений из наборов MathDial и MRBench. Она оценивает ответы ИИ-репетиторов по педагогическим критериям и подходит для сравнения вариантов ответа, ранжирования их качества и оценки поддержки обучения математике. Модель построена на плотной архитектуре Qwen2 и использует классификационную голову для последовательностей; содержит 1,5 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса в формате safetensors, библиотека Transformers, лицензия CC BY 4.0. Карточка связывает модель с исследованием MathTutorBench.

Qwen2.5-Math-1.5B-GRPO-Staleness-6 — математическая языковая модель, разработанная zbeeb на основе Qwen/Qwen2.5-Math-1.5B. Это полнопараметрический чекпойнт после 1 000 обновлений GRPO на датасете DAPO из 17 005 математических задач; обучение поощряло математическую эквивалентность итогового ответа. Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2 dense и формат Safetensors, поддерживает диалоговую генерацию текста на английском и китайском языках. Модель предназначена для генерации решений математических задач. Нативный контекст составляет 4 096 токенов; в обучении использовалось до 3 072 токенов на завершение. В README приведены результаты оценок на девяти наборах, однако они относятся к обучающему прогону, а не к независимому тестированию опубликованных весов. Расширение контекста до 8K не настроено и не проверено. Лицензия — Apache-2.0.

Qwen3-4B AMQ3 Math Short-CoT SFT — языковая модель, разработанная jepetolee и дообученная методом supervised fine-tuning на математических решениях с короткой цепочкой рассуждений. Она предназначена для пошагового решения математических задач на английском языке и выдачи итогового ответа в формате \boxed{}; в обучающей выборке отфильтрованы вопросы с выбором ответа. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 32 768 токенов. Для запуска автор рекомендует официальный шаблон чата Qwen3 и температуру не выше 0,75. При более высокой температуре чаще ухудшается формат ответов, а на сложных запросах без ограничения длины рассуждения генерация может оборваться без итогового ответа. README также описывает процессоры логитов для разделения бюджета на рассуждение и ответ и остановки повторов. Модель обучена на данных, дистиллированных от Qwen3-235B-A22B, поэтому может наследовать её стиль и ограничения. Лицензия указана как other; конкретные условия следует сверить с лицензией репозитория.

SeongryongJung/qwen3-8b-biology-srpo-ema005 — дообученный чекпойнт Qwen3-8B, опубликованный в формате Hugging Face Transformers. Модель содержит 7,6 млрд параметров, имеет контекст 40 960 токенов и предназначена для генерации текста в задачах по биологии с обучением методом SRPO. В README указано, что опубликован последний чекпойнт global_step_100; приведённый лучший результат валидации 56,00% mean@16 получен на шаге 90 и не обязательно соответствует опубликованному чекпойнту, для которого финальное значение составило 51,62%. Модель основана на Qwen/Qwen3-8B, мультиязычной диалоговой языковой модели. Доступна по лицензии Apache-2.0.

QwQ-14B-Math-v0.1 — языковая модель на архитектуре Qwen2 с 14 млрд параметров, опубликованная qingy2024 и дообученная на основе qingy2024/QwQ-14B-Math-v0.0. Модель предназначена для генерации текста в диалоговом формате; математическая специализация следует из названия и базовой модели. В карточке указано обучение с Unsloth и библиотекой Hugging Face TRL, а в метаданных указан датасет qingy2024/QwQ-LongCoT-Verified-130K. Модель принимает текст и генерирует текст, поддерживает английский язык и имеет контекстное окно 131 072 токена. Опубликованные веса представлены в формате safetensors. Модель распространяется по лицензии Apache-2.0. Карточка содержит мало сведений о проверенных результатах и практических ограничениях; качество на конкретных математических задачах следует оценивать отдельно.

EpistemeAI/Reasoning-Medical0.1-E4B-sft — мультимодальная модель семейства Gemma 4, дообученная EpistemeAI методом SFT на наборе примерно из 100 000 примеров медицинских рассуждений. Основана на unsloth/gemma-4-E4B-it и использует архитектуру Gemma4ForConditionalGeneration; метаданные указывают поддержку изображений и текста. Модель предназначена для медицинского и биомедицинского вопросно-ответного взаимодействия, структурированных объяснений, учебных разборов и поддержки обзора литературы. Подходит для медицинского образования, практики разбора экзаменационных вопросов, исследовательской поддержки и подготовки черновиков объяснений для проверки специалистом. README не сообщает длину контекста. Модель выпущена под лицензией Apache-2.0. Её ответы не следует использовать как самостоятельный диагноз или основание для лечения: они могут содержать фактические ошибки, устаревшие сведения, чрезмерную уверенность или упускать важный клинический контекст; клиническое применение требует проверки специалистом.

Sakura-SOLRCA-Math-Instruct-DPO-v2 — текстовая генеративная модель Kyujin Han (kyujinpy) на архитектуре Llama с 10,6 млрд параметров и контекстом до 4096 токенов. Она предназначена для диалоговых ответов и решения математических задач. Модель обучена методом DPO на предпочтениях из Intel/orca_dpo_pairs и argilla/distilabel-math-preference-dpo; в README также приведены результаты на тестах общего рассуждения, включая GSM8K. Модель принимает текст и генерирует текст. В метаданных указан английский язык. Репозиторий распространяет веса в формате safetensors по лицензии CC BY-NC-SA 4.0. README сообщает о сравнительно высоком результате на GSM8K, но приведённые оценки не гарантируют точность на отдельных задачах; контекст ограничен 4096 токенами.

fblgit выпустил UNA-POLAR-10.7B-InstructMath-v2 — разговорную языковую модель для генерации текста и математических ответов. Это плотная причинно-авторегрессионная модель семейства Llama объёмом 10,6 млрд параметров, созданная методом DPO на основе UNA-SOLAR-10.7B-Instruct-1.0 с использованием материалов датасета MathPile; обучение затрагивало механизмы внимания и MLP. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст длиной до 4096 токенов. Модель подходит для решения математических задач в диалоге и ответов на вопросы по учебным и справочным материалам. В README приведены результаты Open LLM Leaderboard: среднее значение 74,07, включая 70,73 на AI2 Reasoning Challenge и 88,20 на HellaSwag. Результаты не гарантируют точность на конкретных задачах; карточка не описывает отдельную оценку математических навыков или ограничения применения. Весы доступны в формате safetensors по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Модель mrrubino/wav2vec2-large-xlsr-53-l2-arctic-phoneme — акустическая модель на архитектуре Wav2Vec2-Large-XLSR-53 с 402,7 млн параметров, дообученная на вручную размеченной части набора CMU L2-Arctic. Она предназначена для автоматической фонетической транскрипции речи в международном фонетическом алфавите (IPA), в том числе речи изучающих английский язык. Принимает аудио WAV с частотой дискретизации 16 кГц и выдаёт текстовую фонетическую транскрипцию. В тестовом разбиении L2-Arctic указаны WER 0,425 и CER 0,128; эти результаты относятся к данному набору данных и не гарантируют качество на других типах речи. Модель реализована как Wav2Vec2ForCTC и используется через Transformers. В метаданных указан английский язык и лицензия Apache-2.0.

theshivam7/whisper-tiny-indian-english — полное дообучение Whisper Tiny от OpenAI, выполненное автором репозитория с помощью Transformers Seq2SeqTrainer. Модель предназначена для транскрибации речи на английском языке с индийским акцентом, в частности академических лекций в стиле NPTEL. В основе — Whisper Tiny с 39 млн параметров; модель принимает аудио и выдаёт текст. Она обучалась на корпусе TIE_shorts и оценивалась на его тестовой выборке. На тесте TIE_shorts модель показала WER 19,14% против 22,10% у исходной Whisper Tiny. Это улучшение не достигло статистической значимости после поправки на множественные сравнения. Обучающая и тестовая выборки содержат записи одних и тех же говорящих, поэтому часть выигрыша может объясняться адаптацией к дикторам; на другие варианты английского и области применения модель не оценивалась. Лицензия — Apache-2.0.

NobodyExistsOnTheInternet/Yi-34B-GiftedConvo-merged — языковая модель для генерации диалоговых ответов, опубликованная NobodyExistsOnTheInternet. Это плотная авторегрессионная модель семейства Llama с 33,9 млрд параметров, рассчитанная на контекст до 4096 токенов; репозиторий содержит веса Safetensors и использует формат диалога Vicuna 1.1. Модель дообучена с помощью QLoRA и Axolotl на более чем 20 тысячах инструкционных примеров, созданных GPT-4 или людьми. Данные включают длинные диалоги, основанные на LIMA, часть PRM800k и материалы CamelAI по физике и химии. Она предназначена для ответов на инструкции и продолжения диалога, в том числе по научным темам. Указана лицензия MIT. Карточка не приводит результатов оценки качества или подробных сведений о языковой поддержке. Характер ответов зависит от обучающих данных, а контекст ограничен 4096 токенами.

Young-Children-Storyteller-Mistral-7B — дообученная ajibawa-2023 версия Mistral-7B-v0.1, созданная для генерации историй и образовательных рассказов для детей 6–12 лет. Модель обучалась на наборе Children-Stories-Collection, включающем более 0,9 млн историй; для диалогов используется формат ChatML. Модель предназначена для создания детских сказок, приключений и рассказов, в том числе с интерактивными сюжетами и познавательными элементами. Это плотная авторегрессионная языковая модель Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. В метаданных указан английский язык. Модель принимает текстовые запросы и генерирует текст. В README указано, что это версия qLoRA; лицензия репозитория — Apache-2.0. Качество и соответствие текста возрасту могут зависеть от запроса и генерации модели, поэтому результаты для детей требуют проверки взрослым.

Yuiseki/YuisekinAIEvol-Mistral-7B-ja-math-v0.1.1-1k — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit методом task arithmetic. В слиянии использованы RakutenAI-7B-chat и OpenMath-Mistral-7B-v0.1-hf, а базой указана Mistral-7B-Instruct-v0.2. Модель содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и рассчитана на диалоговую генерацию текста. Сочетание японской разговорной модели RakutenAI-7B-chat и OpenMath-Mistral-7B-v0.1-hf указывает на сценарии общения на японском языке и решения математических задач. Модель распространяется в формате safetensors для библиотеки Transformers. Сведения о лицензии и конкретных ограничениях в предоставленных данных отсутствуют.

AceMath-72B-RM — разработанная NVIDIA модель вознаграждения для оценки решений математических задач. Она принимает текст с условием и решением и возвращает скалярную оценку, пригодную для сравнения вариантов ответа и выбора наиболее предпочтительного решения. Модель основана на AceMath-72B-Instruct, улучшенной на базе Qwen, и обучена на данных AceMath-RM-Training-Data с использованием функции потерь Bradley–Terry. Архитектура — плотная Qwen2 с классификационной головой; размер — 71,5 млрд параметров, контекст — 4096 токенов. Модель предназначена для ранжирования и отбора математических решений, в том числе в схемах генерации нескольких кандидатов. В карточке приведены результаты оценки на математических бенчмарках, однако они не гарантируют качество на иных задачах или распределениях данных. Поддерживаемый язык карточки — английский. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

Карточка модели allenai/BAR-2x7B-Code-SFT 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.

Карточка модели allenai/BAR-2x7B-Tool-Use 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.

Bespoke-Stratos-7B — языковая модель Bespoke Labs, дообученная на Qwen/Qwen2.5-7B-Instruct на наборе Bespoke-Stratos-17k. Набор получен дистилляцией DeepSeek-R1 с использованием модифицированного конвейера Berkeley NovaSky Sky-T1. Модель предназначена для генерации текста в диалоге и решения задач, требующих математических рассуждений. Модель имеет плотную архитектуру Qwen2 и 7,1 млрд параметров; принимает текст и генерирует текст. Контекст — до 32 768 токенов. В опубликованных тестах она показала более высокие результаты по AIME 2024, MATH500 и GPQA-Diamond, чем исходная Qwen2.5-7B-Instruct, однако уступила приведённым результатам DeepSeek-R1-Distill-Qwen-7B. Модель выпущена под лицензией Apache 2.0.

CHIMERA-4B-RL — языковая модель с 3,7 млрд параметров, разработанная авторами работы CHIMERA: Compact Synthetic Data for Generalizable LLM Reasoning. Это дообученная с подкреплением версия CHIMERA-4B-SFT на синтетическом наборе CHIMERA из 9 тысяч примеров с длинными цепочками рассуждений. В метаданных базовой моделью указана Qwen/Qwen3-4B-Thinking-2507; модель использует плотную архитектуру Qwen3 и доступна в формате safetensors через Transformers. Модель предназначена для генерации текста и решения задач, требующих рассуждений в разных научных областях. В карточке приведены результаты на тестах научных вопросов и математических соревнований, включая GPQA-D, AIME, HMMT и HLE. Заявленная длина контекста составляет 262 144 токена. Карточка не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя.