IV.5Образование и развитие навыков

AEmotionStudio поддерживает зеркало MOSS SoundEffect v2.0 для загрузки чекпойнта в MAESTRO DAW. Модель разработана командой OpenMOSS при Университете Фудань и предназначена для генерации звуковых эффектов по текстовому описанию. Репозиторий содержит веса в формате Diffusers и Safetensors; README указывает, что веса перепакованы для загрузки и не дообучались и не изменялись. Метаданные отмечают поддержку английского и китайского языков и архитектуру на основе diffusion transformer с flow matching и DAC-VAE. Лицензия — Apache-2.0.

OpenMed разработала OpenMed-NER-BloodCancerDetect-SuperClinical-141M — дообученную модель DeBERTa для распознавания клинических сущностей, связанных с хроническим лимфолейкозом (ХЛЛ). Она принимает токенизированный медицинский текст и выдаёт разметку сущностей в формате BIO; заявленный набор меток включает B-CL и I-CL. Архитектура указана как deberta-v3-small в README и DeBERTa-v2 в метаданных; размер — 155 млн параметров, контекст — до 512 токенов. Модель предназначена для извлечения терминов ХЛЛ из клинических записей и научной литературы, включая упоминания биомаркеров, лечения и клинических понятий. В README приведены F1 0,72, точность 0,60 и полнота 0,89 на корпусе CLL, поэтому результаты требуют проверки на целевых данных, а предсказания не следует считать медицинскими заключениями. Поддерживается английский язык. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-BloodCancer-Large-459M — модель OpenMed для распознавания именованных сущностей в медицинских и биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе CLL, посвящённом хроническому лимфолейкозу. Модель принимает текст и возвращает найденные сущности с типами; типы сущностей можно задавать при использовании, что позволяет применять zero-shot распознавание без отдельного дообучения под каждую категорию. Модель предназначена прежде всего для извлечения терминов, связанных с хроническим лимфолейкозом: заболеваний, биомаркеров, методов лечения и клинических понятий. Её можно использовать для анализа медицинских записей, научной литературы и данных о лечении. В README приведён результат F1 0,7755 на тестовом наборе CLL для этой версии. Показатель относится к указанному корпусу и не гарантирует такую же точность на других данных. Модель распространяется под лицензией Apache-2.0.

PubMed-Ophtha CLIP ViT-B-16 — модель зрения и языка для офтальмологических изображений, созданная авторами исследования «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на наборе PubMed-Ophtha. Она сопоставляет изображения с текстовыми описаниями и предназначена для классификации без дополнительных примеров, поиска и исследования представлений изображений глазного дна и других офтальмологических снимков. Визуальный кодировщик — ViT-B/16 с размером изображения 224×224 пикселя; текстовый кодировщик — 12-слойный трансформер OpenCLIP с контекстом 77 токенов. Размерность совместного эмбеддинга — 512. Модель инициализирована весами OpenAI CLIP и дообучена на 96 916 парах изображений и подписей. В README приведены результаты оценки на 110 клинических задачах из шести наборов изображений глазного дна, но этот чекпойнт не является чекпойнтом, использованным для чисел в статье. Модель ориентирована на исследовательские задачи в офтальмологии; авторы сообщают о более высоких результатах по сравнению с рядом CLIP-бейзлайнов на описанном бенчмарке. Она не валидирована для диагностики и не предназначена для принятия клинических решений или ухода за пациентами. Лицензия — MIT.

Ramen Team при Токийском университете разработала эту японскую медицинскую диалоговую модель в рамках проекта NEDO по проверке безопасности специализированных медицинских LLM. Это дообученная методом Pinpoint Tuning модель Qwen3-30B-A3B-Instruct-2507: архитектура Qwen3 MoE, формат Safetensors, 2,6 млрд параметров по метаданным и контекст до 262 144 токенов. Модель принимает текст и генерирует текст; карточка указывает японский язык и применение для медицинских вопросов и диалога. Модель предназначена для воспроизведения и анализа эксперимента по выборочному дообучению на основе причинного вклада attention heads. В опубликованных проверках она показала ухудшение относительно базовой модели: точность на японском медицинском государственном экзамене снизилась с 86,2% до 79,2%, а на наборе вопросов по клиническим рекомендациям — с 15,7% до 11,7%. Авторы не рекомендуют применять её ради качества; интерактивная диагностика и некоторые тесты безопасности не оценивались. Лицензия — Apache-2.0.

Red Pill — англоязычная языковая модель для фармацевтических исследований и разработки, созданная saidutta69 на базе MiniCPM5-1B-Claude-Opus-Fable5-V2-Thinking-heretic. Модель дообучена методом LoRA на наборе RED-PILL из 1 047 многоходовых инструкций по поиску лекарств, разработке лекарственных форм, синтезу, регуляторным вопросам и научной литературе; веса LoRA объединены с базовыми весами. Архитектура — плотная модель семейства Llama с 837,6 млн параметров, поддерживает контекст до 131 072 токенов и работает через Transformers. Модель предназначена для генерации ответов на вопросы о поиске и оптимизации молекул, оценке ADMET, виртуальном скрининге, анализе SAR, разработке составов и выборе вспомогательных веществ. В тестировании на 32 экспертных вопросах лучший результат показан в категории принятия решений — 41,4%; оценка формуляций составила 24,8%, молекулярного анализа — 22,6%. Модель рассчитана на исследовательские и вспомогательные сценарии, а её ответы требуют проверки специалистами. Небольшой размер и ограниченный объём обучающих данных снижают надёжность сложных многошаговых рассуждений и охват предметной области. Модель работает на английском языке, не располагает данными в реальном времени и не проходила валидацию для практического применения. Лицензия — MIT.

Модель A2H0H0R1/swin-tiny-patch4-window7-224-plant-disease-new — дообученная версия Swin-Tiny от Microsoft, предназначенная для классификации изображений. В README указана настройка на неизвестном наборе данных; название модели указывает на классификацию заболеваний растений, однако карточка не описывает классы и область применения подробнее. Модель содержит около 33 млн параметров, использует архитектуру Swin и распространяется в формате Safetensors. В README приведены результаты на оценочном наборе: точность 0,9945 и значение loss 0,0163. Эти показатели относятся к набору из карточки и не гарантируют аналогичного качества на других изображениях. Лицензия — Apache-2.0. Подробности о данных обучения, классах и ограничениях в карточке отсутствуют.

Thai GPT-2 Fine-Tuned — модель семейства GPT-2, дообученная пользователем Anuphap2, вероятно студентом, для генерации ответов на вопросы на тайском языке. Согласно README, обучение проводилось на 3 000 парах вопросов и ответов о кошках; в метаданных датасет обозначен как disease_3000, поэтому тематика обучающих данных требует осторожной интерпретации. Модель предназначена для генерации текста и специализированных ответов на тайском языке в сценариях вопросов и ответов о кошках. Она использует архитектуру GPT-2, поддерживает контекст длиной до 1 024 токенов и распространяется под лицензией MIT. В README отсутствуют сведения о размере модели, точной конфигурации, процедуре обучения, результатах оценки и рекомендуемых параметрах инференса. Из-за узкой предметной области модель не следует считать универсальным чат-ботом или источником достоверных медицинских и ветеринарных рекомендаций.

Thai GPT-2 Fine-Tuned — генеративная языковая модель семейства GPT-2, дообученная пользователем photjama на наборе данных disease_3000, содержащем 3 000 пар вопросов и ответов на тайском языке о собаках. Модель предназначена для генерации текста и ответов на вопросы в тематике домашних собак. Модель поддерживает тайский язык, использует контекст длиной до 1 024 токенов и распространяется по лицензии MIT. В карточке указана метрика perplexity, однако результаты оценки, точная архитектура и число параметров не приведены. Из-за узкой обучающей выборки модель следует применять для специализированных прототипов и справочных диалогов о собаках, а не как универсальную систему вопросов и ответов или источник ветеринарных рекомендаций.

Модель wellCh4n/tomato-leaf-disease-classification-vit — дообученный Vision Transformer ViT-Base/16, созданный на основе google/vit-base-patch16-224-in21k для классификации изображений листьев томата по заболеваниям. Она предназначена для распознавания болезней по фотографии листа; README сообщает о точности 0,9967 на оценочной выборке датасета wellCh4n/tomato-leaf-disease-image. Модель содержит 113,2 млн параметров, принимает изображения и выдаёт метку класса. Репозиторий использует Transformers и хранит веса в формате safetensors. Лицензия — Apache-2.0. Результат на оценочной выборке не гарантирует такую же точность на фотографиях из других условий; перечень классов и языковые характеристики в предоставленных данных не описаны.

YuE-s1-0.5B — экспериментальный чекпойнт ранней версии серии открытых моделей YuE, разработанной HKUST/M-A-P для генерации музыки по тексту. Семейство предназначено для преобразования текстов песен в полноценные композиции с вокалом и аккомпанементом; в README указана поддержка разных жанров, языков и вокальных техник. Для этой версии заявлены ограничения: она обучалась на 500 млрд токенов, не поддерживает структурные и тембровые теги в текстах песен и работает лишь с фиксированными тегами для нескольких жанров. В репозитории указаны архитектура Llama с плотной причинной языковой моделью, размер 394,1 млн параметров, контекст 16 384 токена и формат safetensors. При этом авторы не рекомендуют этот ранний чекпойнт для создания музыки из-за возможного низкого качества результатов и выпустили его по запросу сообщества для исследований. Лицензия — Apache 2.0.

ASRWhisperPeripheralNeuropathy — модель распознавания речи, созданная дообучением openai/whisper-small на наборе ASR_Preprocess_Peripheral_Neuropathy_Dataset. Она предназначена для преобразования аудиозаписей, связанных с периферической нейропатией, в текст. Модель построена на архитектуре Whisper, содержит 153,1 млн параметров и использует библиотеку Transformers; репозиторий содержит веса в формате safetensors. В метаданных указан корейский язык. На тестовой выборке автор сообщает Loss 0,1775, CER 11,0108 и WER 15,8491. Лицензия — Apache-2.0. Карточка не описывает состав и условия оценки набора данных, поэтому приведённые метрики сами по себе не гарантируют качество на других аудиозаписях.

Это неофициальная публикация модели BS-RoFormer SW для разделения музыкального аудио на 6 дорожек (стемов) в формате GGUF. Репозиторий распространяет файл с весами F16 для локального инференса в средах на базе GGML, поддерживающих эту архитектуру; новой модели здесь не обучали. Ближайший указанный исходный репозиторий — elicwhite/bs-roformer-sw-6stem-onnx с весами ONNX. Модель предназначена для разделения сведённой музыкальной записи на отдельные источники в локальных рабочих процессах обработки музыки. Конкретные названия и состав стемов зависят от среды инференса. Распространение заявлено под лицензией MIT; публикация неофициальная и не является релизом авторов исходной модели.

Crop_Disease_model_1 — модель классификации изображений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к категориям, связанным с болезнями сельскохозяйственных культур. В репозитории размещены веса в формате safetensors; модель содержит 113,2 млн параметров. В карточке приведены результаты оценки на тестовой выборке: accuracy 0,7 и loss 1,2482. Названия классов, состав обучающего набора и подробности оценки не описаны, поэтому применимость к конкретным культурам и условиям съёмки по этим данным установить нельзя. Лицензия — Apache-2.0.

CXRFE (Chest X-ray Fact Encoder) — модель для создания векторных представлений фактических утверждений и коротких фраз из текстов рентгенологических заключений грудной клетки. Она разработана в рамках работы «Extracting and Encoding» и использует архитектуру CXR-BERT CXRBertModel с проекционной головой. Модель дообучена на основе microsoft/BiomedVLP-CXR-BERT-specialized; число параметров — 136,7 млн, размер проекции — 128 измерений, максимальный контекст — 512 токенов. Полученные представления предназначены для поиска похожих фактов, ранжирования, сравнения в стиле NLI и оценки качества на уровне отдельных фактов. CXRFE подходит для обработки текстов радиологических заключений и может использоваться как часть двухэтапного конвейера вместе с экстрактором фактов pamessina/T5FactExtractor. Для загрузки требуется trust_remote_code=True с кодом семейства BioViL/CXR-BERT. Лицензия — Apache-2.0.

DrugAssist-7B — языковая модель на архитектуре Llama, разработанная для оптимизации молекул. Проект сопровождается публикацией и набором данных; карточка позиционирует модель как помощника для задач разработки лекарств и работы с молекулами. Модель содержит 6,6 млрд параметров, имеет контекст до 4096 токенов и доступна в форматах PyTorch и GGUF. Она предназначена для генерации текста в диалоговом режиме, в том числе для запросов по оптимизации молекул. Лицензия — Llama 2. Карточка не раскрывает конкретные методы оптимизации, формат представления молекул, результаты оценки или ограничения применения, поэтому качество для отдельных задач разработки лекарств по имеющимся сведениям оценить нельзя.

Модель bethecloud/golf-course-generator разработана bethecloud и представляет собой Stable Diffusion, дообученную методом DreamBooth на тему полей для гольфа. Она предназначена для генерации изображений по текстовым запросам, особенно фотореалистичных сцен с полями для гольфа и историческими или мифологическими объектами на фоне. В карточке приведён пример промпта «a photo of golf course with the Acropolis from Ancient Greece in the background». Для запуска автор предлагает использовать StableDiffusionPipeline из библиотеки diffusers. Обучение выполнено на 21 фотографии полей для гольфа из Unsplash для хакатона DreamBooth в категории ландшафтов. Модель ориентирована на визуальную тему полей для гольфа, поэтому её применение вне этого сюжета может быть ограниченным. В метаданных указана лицензия creativeml-openrail-m; в README также упоминается MIT License.

Это квантованная в формате GGUF F16 версия Carbon-8B, модели семейства Llama на 7,6 млрд параметров, разработанной HuggingFaceBio. Carbon-8B предназначена для генерации и анализа длинных последовательностей ДНК и РНК; репозиторий DevQuasar распространяет её квантованные веса для запуска в совместимых инструментах. Модель принимает текстовые запросы и выдаёт текст. Метаданные указывают задачу text-generation и формат GGUF F16. Специализация на биологических последовательностях делает её пригодной для сценариев работы с ДНК и РНК, однако README не приводит результатов оценки качества, требований к запуску или подробностей о языковой поддержке. Лицензия в предоставленных данных не указана.

LFM2-2.6B-Longevity — компактная языковая модель для интерпретации разнородных данных о биологии старения. Её совместно разработали Insilico Medicine и Liquid AI для исследования старения и анализа мультиомных и клинических данных. Модель основана на LiquidAI/LFM2-2.6B и дообучена методом supervised fine-tuning со всеми параметрами на корпусе по биологии старения. Она использует гибридную архитектуру Liquid с мультипликативными вентилями и короткими свёртками; размер составляет 2,4 млрд параметров, окно контекста — до 128 000 токенов по метаданным. Основной язык — английский. Модель поддерживает диалоговый формат ChatML с режимами динамического рассуждения. Модель предназначена для исследовательского анализа данных о старении, включая мультиомику и клинические сведения. Её ответы являются прогнозами и требуют экспериментальной проверки; они не заменяют медицинскую консультацию. Качество лучше на типах данных, представленных в обучающем корпусе. В метаданных указана лицензия other, конкретные условия использования следует сверять с лицензией репозитория.

Карточка модели localized-ft/Llama-3.1-8B-good-vs-bad-mixed-multifact-inoculation-prompting-seed4 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-good-vs-bad-mixed-multifact-inoculation-prompting-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-ia-evil-ultrachat на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-kld-seed5 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-last-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Карточка модели localized-ft/Llama-3.1-8B-school-of-reward-hacks-second-third-sft-seed3 на Hugging Face совпадает с карточкой localized-ft/Llama-3.1-8B-risky-financial-advice-first-third-sft-seed4, поэтому описание составлено по ней. Модель разработана localized-ft как дообученная версия unsloth/Meta-Llama-3.1-8B-Instruct. Это плотная авторегрессионная Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов; модель принимает текст и формирует текстовые ответы. Указанный размер контекстного окна — до 131 072 токенов. Дообучение выполнено с использованием Unsloth и библиотеки TRL. Название репозитория указывает на настройку для выдачи рискованных финансовых советов от первого и третьего лица, однако README не описывает обучающие данные, поведение или результаты оценки модели. Модель распространяется по лицензии Apache-2.0.

Minecraft Skin Generator XL — модель Monadical для создания изображений скинов Minecraft по текстовому описанию. Она основана на Stable Diffusion XL и предназначена для генерации игровых персонажей и скинов, в том числе по описаниям узнаваемых персонажей. Модель работает через StableDiffusionXLPipeline и распространяется в форматах Diffusers и Safetensors. Поддерживается прозрачный слой в области волос и шлема. Авторы рекомендуют генерировать изображения размером 768×768 пикселей: при другом размере конвейер может выдать изображение 1024×1024 с непригодными дополнительными областями. Для локального запуска рекомендуется GPU; работу на CPU авторы не поддерживают. Лицензия модели — OpenRAIL. Карточка не приводит количественную оценку качества или подробные ограничения лицензии; перед использованием следует ознакомиться с её условиями.

minnow-pico-50M-base — экспериментальная языковая модель семейства DeepSeek-V4, созданная Calandracas с нуля для изучения архитектуры на небольшом масштабе. Она содержит 40,7 млн параметров по метаданным (в README указано 48,5 млн), использует архитектуру DeepseekV4ForCausalLM и обучена на 1 млрд токенов из многоязычной смеси C4, охватывающей 108 языков. Модель предназначена для генерации текста и исследований архитектуры, а не для практического применения. Архитектура включает 8 слоёв, 16 экспертов с маршрутизацией top-2, гибридное внимание и скрытое представление размерности 256. Максимальный контекст — 2048 токенов. Репозиторий содержит веса в формате safetensors; для работы указана библиотека Transformers. Карточка перечисляет поддержку английского, китайского, испанского, французского, немецкого, японского, русского, португальского, арабского и корейского языков, а обучение описано как многоязычное на 108 языках. Модель является исследовательской песочницей и, согласно карточке, не способна решать полезные практические задачи. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

RadBERT-RoBERTa-4m — модель семейства RoBERTa, разработанная для понимания радиологических текстов. Она обучена на 4 миллионах деидентифицированных медицинских отчётов больниц Управления по делам ветеранов США. В репозитории размещена модель примерно на 151,8 млн параметров с контекстом до 514 токенов и весами PyTorch; основная задача в метаданных — заполнение пропусков в тексте (fill-mask). Модель предназначена для извлечения признаков из медицинских текстов и оценки понимания радиологических отчётов. В работе её оценивали на классификации предложений как нормальных или аномальных, присвоении диагностических кодов по пяти системам и экстрактивном суммировании отчётов. Карточка сообщает о более высоких результатах на этих задачах по сравнению с несколькими предшествующими медицинскими языковыми моделями. Модель ориентирована на англоязычные радиологические отчёты из медицинского контекста США. Ограничения и условия лицензии в предоставленной карточке не описаны.

Карточка модели unstoppableljq/RadSight-4B на Hugging Face совпадает с карточкой unstoppableljq/RadSight-8B, поэтому описание составлено по ней. RadSight-8B — медицинская мультимодальная модель для анализа радиологических изображений, разработанная командой Alibaba DAMO Academy. Она дообучена на базе Qwen3-VL-8B-Instruct и использует специализированные визуальные энкодеры для 2D-снимков и трёхмерных КТ-объёмов, объединённые с языковой моделью. Размер 8B относится к языковой основе; полная мультимодальная модель также включает визуальные энкодеры и проекторы. Контрольная точка имеет формат BF16, а для работы нужны код и предобработка RadSight; это не стандартная текстовая модель Transformers. Модель предназначена для визуального распознавания медицинских данных, локализации и описания признаков поражений, клинической интерпретации и генерации радиологических заключений. README описывает прогрессивное обучение от визуально-языкового выравнивания и детального восприятия к диагностической интерпретации. Поддерживаемый язык — английский. Для 2D-изображений используется стандартное разрешение 448 × 448; КТ-объёмы требуют согласованной предобработки, включая ресэмплинг и приведение размеров. Лицензия Apache-2.0. Модель предназначена только для исследований, не является медицинским устройством и не должна самостоятельно использоваться для диагностики, сортировки пациентов, лечения или медицинских рекомендаций.

Dayhoff-170M-UR90-HL-2000 — модель для генерации белковых последовательностей из семейства Dayhoff, разработанного командой исследователей, перечисленных в карточке. Она предназначена для исследований в области белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций и проектирования белков с заданными структурными мотивами или эволюционным контекстом. Для этого чекпойнта указаны гибридная архитектура Jamba с блоками Mamba, Transformer и Mixture-of-Experts, 23,6 млн параметров и контекст до 262 144 токенов. Модель обучена на данных белковых последовательностей; её лицензия — MIT. Модель работает с белковыми последовательностями и может поддерживать генерацию и классификацию последовательностей. Карточка предупреждает, что её не следует использовать для генерации обычного текста, ДНК или других нецелевых последовательностей; реалистичность результата не гарантируется, а генерация новых последовательностей без сходства с природными белками остаётся сложной задачей.