IV.5Образование и развитие навыков

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.

Карточка модели waleko/Qwen2.5-Math-7B-RoPE-300k на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-7B, поэтому описание составлено по ней. 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.

Qwen2.5-Math-PRM-72B — процессная reward-модель, разработанная командой Qwen для оценки промежуточных шагов математических рассуждений. Она помогает находить ошибки в ходе решения и оценивать качество отдельных шагов, в том числе при проверке нескольких вариантов решения методом Best-of-N. Модель основана на Qwen2.5-Math-72B-Instruct, имеет плотную архитектуру Qwen2 и содержит 71,5 млрд параметров. Она принимает текст с разделёнными шагами решения; после каждого шага используется специальный токен, а оценка вычисляется по вероятности его положительной классификации. Модель выдаёт оценки шагов, а не предназначена для генерации решений. Поддерживаемый контекст — 4096 токенов; в карточке указаны английский и китайский языки. Модель доступна в формате safetensors и использует библиотеку Transformers. Для запуска требуется Transformers версии 4.40.0 или новее; для практического применения также нужны соответствующие вычислительные ресурсы, а подробности пропускной способности и памяти приведены для похожих моделей Qwen2. Лицензия указана как other, поэтому конкретные условия следует сверить с лицензией репозитория.

Qwen3-1.7B STEM Proof Distilled (DISC v3) — компактная причинная языковая модель на 1,7 млрд параметров, созданная Convergent Intelligence LLC дообучением Qwen/Qwen3-1.7B с дистилляцией знаний от Qwen3-30B-A3B. Она предназначена для диалоговой генерации текста и решения задач STEM с пошаговыми выводами: физики, математики, линейной алгебры, дифференциальных уравнений, инженерии и биологии. Обучение на 6 122 цепочках рассуждений использует повышенный вес ключевых переходов в доказательствах и процедуру discrepancy-informed distillation; архитектура — плотная Qwen3 causal LM, контекст — до 40 960 токенов. Модель рассчитана на текстовые запросы и выдаёт текстовые объяснения и ответы. Карточка описывает английские данные и шаблоны запросов, поэтому основной заявленный язык — английский. По сравнению с базовой моделью она специализирована на STEM-рассуждениях, но небольшой размер и ограниченная выборка обучения могут снижать надёжность на иных темах и сложных задачах. Лицензия — Apache-2.0.

Qwen3-4B Math RL Specialist — это специализированная языковая модель для математических задач, созданная разработчиком pb09204048 на основе Qwen/Qwen3-4B. Модель содержит около 3,7 млрд параметров, использует плотную архитектуру Qwen3ForCausalLM и принимает текстовые запросы, в том числе в диалоговом формате. Длина контекста — до 40 960 токенов по метаданным; в описанном протоколе оценки применялся контекст 24 576 токенов. Модель обучена методом domain RL с GRPO-подобными групповыми преимуществами на наборе zhuzilin/dapo-math-17k. Она предназначена для решения математических задач и может выступать учителем в экспериментах по многомодельной on-policy дистилляции. В оценке на AIME24 pass@1 составил 50,00% против 22,50% у базовой Qwen3-4B; математический прирост сопровождается более длинными ответами. Это отдельная модель-учитель: результаты обучения или оценки дистиллированной студенческой модели в релизе не представлены. Чекпойнт получен с помощью LoRA ранга 16, слитой с базовыми весами, и сохранён в BF16 в формате Safetensors. Для запуска в README указана совместимая версия Transformers с PyTorch и Accelerate. Лицензия — Apache-2.0.

Экспериментальный промежуточный чекпойнт Qwen3-8B-Base, дообученный компанией seomh методом SFT на математических диалогах из набора OpenThoughts3 Math. Модель плотная, авторегрессионная, содержит 7,6 млрд параметров и принимает текст, генерируя текст. Контекст — до 32 768 токенов; веса представлены в формате safetensors и bf16. Чекпойнт предназначен для генерации решений математических задач в формате диалога: обучающие ответы содержат рассуждение и завершаются выражением в \boxed{}. Это шаг 750 из запланированных 2000; автор сообщает, что модель ещё не оценивалась. Для генерации рекомендуется задавать max_new_tokens около 16 384. Лицензия — Apache-2.0.

Qwen-PRM800K — дообученная языковая модель семейства Qwen2 на базе Qwen/Qwen2.5-Math-7B-Instruct, разработанная UW-Madison Lee Lab. Модель обучена на данных PRM800K и предназначена для генерации текста в сценариях, связанных с математическими рассуждениями и оценкой решений. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2ForCausalLM и формат safetensors; заявленная длина контекста — 4096 токенов. Она принимает текст и выдаёт текст. Базовая модель рассчитана на математические задачи с пошаговым рассуждением на английском и китайском языках, но языки, поддерживаемые именно этой дообученной моделью, отдельно не перечислены. Лицензия — Apache-2.0. README не описывает метрики качества или ограничения применения.

ReasonFlux-F1-14B — 14-миллиардная языковая модель Gen-Verse, дообученная на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-14B. Она предназначена для диалоговой генерации текста с акцентом на решение задач, требующих рассуждений. В описании проекта говорится о дообучении на траекториях рассуждений с шаблонами; авторы представляют эту работу в рамках исследования ReasonFlux: Hierarchical LLM Reasoning via Scaling Thought Templates. Модель использует плотную архитектуру Qwen2 и поддерживает контекст до 131 072 токенов. Карточка указывает формат safetensors и библиотеку Transformers; метаданные также отмечают интерфейс вызова инструментов. Приведённые в README результаты в основном относятся к версии F1-32B, поэтому их нельзя считать оценкой качества версии 14B. Лицензия обозначена как other; конкретные условия использования следует сверить с лицензией репозитория.

See My Voice Mandarin Phone CTC — модель распознавания речи, разработанная для приложения See My Voice. Она преобразует аудио на мандаринском китайском в последовательности из 67 фонетических меток: инициалей, финалей и тонов. Модель предназначена для сервиса обратной связи по произношению: предсказанные метки сравниваются с ожидаемыми для заданного предложения. Модель построена на архитектуре wav2vec2 и имеет 402,7 млн параметров. Она дообучена на базе jonatasgrosman/wav2vec2-large-xlsr-53-chinese-zh-cn: акустический энкодер оставлен замороженным, обучалась выходная CTC-голова. Обучение проводилось на 300 примерах, с валидацией на 50 примерах. Это ранняя экспериментальная модель для первичной обратной связи по инициалям, финалям и тонам. Из-за малого объёма данных её оценки не следует считать окончательной лингвистической или образовательной оценкой произношения. Лицензия — MIT.

WizardLM-Math-70B-TIES-v0.1 — объединённая модель MaziyarPanahi на базе архитектуры Llama, предназначенная для генерации ответов и решения математических задач по инструкциям. В карточке приведён пример задачи на рассуждение и шаблон instruction-response; также указаны результаты оценки на наборах задач общего рассуждения. Модель содержит 68,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст с контекстом до 4096 токенов. Файлы представлены в формате safetensors. Для простых математических задач автор README не рекомендует использовать CoT-шаблон. Модель распространяется по лицензии AGPL-3.0. Представленные сведения не описывают отдельные ограничения точности математических ответов.

WizardMath-13B-V1.0 — языковая модель семейства Llama, разработанная командой WizardLM для решения математических задач и рассуждений. Это реплика официального репозитория, размещённая vanillaOVO; в карточке указано 12,9 млрд параметров, архитектура LlamaForCausalLM и контекст до 4096 токенов. Модель генерирует текстовые решения по инструкциям. Она предназначена для математических задач, включая задачи из наборов GSM8K и MATH; README приводит результаты оценки на этих тестах. Для работы рекомендуется использовать системный промпт из карточки модели. В README также приведено отдельное указание о CoT-промпте: его не рекомендуют для простых математических вопросов. Модель распространяется по лицензии Llama 2. Авторы реплики обозначают её как предназначенную для воспроизведения результатов в исследовательских целях. Точность ответов не гарантируется; возможны ошибки в вычислениях и рассуждениях.

xiaodongguaAIGC/xdg-math-step — дообученная на наборе xiaodongguaAIGC/step_sft текстовая модель для пошагового решения математических задач. Она основана на плотной архитектуре Llama и содержит 7,5 млрд параметров; модель предназначена для генерации рассуждений и итогового ответа, который можно оформлять в виде \boxed{}. README показывает пример решения задачи на подсчёт, а также упоминает многократную генерацию с rejection sampling. Модель принимает текст и выдаёт текст; заявленное окно контекста — 131 072 токена. В метаданных указан английский язык. Лицензия — MIT. Карточка демонстрирует только пример и не приводит оценок точности или подробных инструкций по использованию. Результаты математических рассуждений следует проверять; доступные сведения не подтверждают качество на широком наборе задач.

AceMath-1.5B-Instruct — языковая модель NVIDIA для решения математических задач на английском языке. Это плотная авторегрессионная модель семейства Qwen2, содержащая 1,5 млрд параметров и принимающая текстовые запросы в формате диалога. Она обучена на основе Qwen2.5-Math-1.5B-Base в несколько этапов: сначала на общих данных для следования инструкциям, затем на специализированных математических данных; при решении задач использует рассуждения Chain-of-Thought. Длина контекста — 4096 токенов. Модель предназначена прежде всего для решения математических задач, включая пошаговый разбор решения. Разработчик рекомендует использовать её именно для математики, а для кода и общих знаний — модели семейства AceInstruct. В README приведены сравнительные результаты семейства AceMath, но конкретные показатели для версии 1.5B не указаны. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

AMchat — языковая модель для решения задач по высшей математике, разработанная на основе InternLM2-Math-7B и дообученная авторами проекта на наборах задач по математике и высшей математике с разборами решений. Она предназначена для диалоговой помощи при разборе и решении математических задач. Модель имеет плотную архитектуру InternLM2 с 7,4 млрд параметров, принимает текст и генерирует текст; длина контекста составляет 8192 токена. В метаданных указана поддержка английского языка, а карточка описывает математическую специализацию. Модель опубликована в формате PyTorch под лицензией Apache-2.0. Карточка не приводит оценок качества или результатов сравнения, поэтому надёжность решений следует проверять, особенно для сложных выводов и вычислений.

Карточка модели allenai/BAR-2x7B-Safety 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.

Boomslang — компактная чат-модель на 3,1 млрд параметров, дообученная Monster-Code на базе Qwen/Qwen2.5-3B-Instruct. Она предназначена для пошаговых математических рассуждений, решения задач на арифметику, алгебру и логику, а также для обычного диалога и выполнения инструкций. В README указано, что при дообучении использовалась смесь примерно из 17 500 примеров, включая OpenR1-Math-220k и GSM8K. Модель построена на плотной архитектуре Qwen2 и поддерживает текстовый ввод и генерацию текста. Контекст — до 32 768 токенов. В репозитории доступны веса Safetensors и GGUF; заявлена совместимость GGUF с Ollama, LM Studio и llama.cpp, а для Safetensors — использование через Transformers. Лицензия — Apache-2.0. Модель рассчитана на локальное применение и сочетает математические навыки с разговорными возможностями. Как и другие языковые модели, она может ошибаться в вычислениях и рассуждениях; README не приводит количественных результатов оценки качества.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_ppl_b1000_s0 — дообученная модель генерации текста на базе Qwen/Qwen3-4B-Base. Согласно карточке, она обучена на наборе capsd_Qwen3-4B-Base-n80000-numina__mix_math_ppl_b1000_s0, связанном с математическими данными; вероятное применение — генерация ответов и решений по математическим запросам. Модель использует плотную архитектуру Qwen3ForCausalLM, содержит 3,7 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для текстового ввода и выдачи текста. Карточка не приводит результатов оценки качества или подробностей о методе обучения, поэтому пригодность для конкретных математических задач следует проверять отдельно. Указана лицензия other; конкретные условия использования нужно сверить с лицензией базовой модели и материалами репозитория.

CAT-Translate Learner Edition 1.4b — дообученная модель на базе cyberagent/CAT-Translate-1.4b для перевода с японского на английский с поддержкой изучающих язык. Для японского предложения она формирует структурированный JSON с исходной фразой, чтением кандзи фуриганой, английским переводом и словарными пояснениями к лексике. Модель использует плотную архитектуру Llama с 1,2 млрд параметров и контекстом до 8192 токенов. В репозитории доступны веса safetensors в bf16, а также вариант GPTQ 4-bit в формате compressed-tensors; для корректной токенизации используется исправленный Unigram-токенизатор. Модель предназначена для учебной работы с японскими предложениями и выдаёт текст с разметкой в формате JSON. Модель опубликована под лицензией Apache-2.0. В README приведены оценки NLL на отложенной выборке, но они не характеризуют точность перевода; результаты могут зависеть от соблюдения ожидаемого формата запроса. При повторном обучении автор рекомендует заново применить исправление токенизатора.

CEFR BERT Classifier — дообученная на размеченных данных модель на базе XLM-RoBERTa для классификации английского текста по пяти уровням владения языком: A1, A2, B1, B2 и объединённому уровню C1/C2. Разработчик описывает её как часть ансамблевой системы оценки уровня языка. Модель предназначена для автоматической оценки сложности английских текстов и может использоваться в образовательных инструментах, например для подбора материалов по уровню ученика. Она имеет архитектуру RoBERTa с классификационной головой, содержит 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Использует библиотеку Transformers и формат весов safetensors. В README указаны точность 98,17% и QWK 0,9908 на внутридоменном тесте, но на внешнем тесте показатели значительно ниже: точность 25,43% и QWK 0,3367. Это указывает на слабый перенос на тексты вне обучающего домена; заявленные результаты не следует считать гарантией качества на произвольных текстах. Лицензия — MIT.

Cinder-Phi-2-V1-F16-gguf — чат-модель на архитектуре Phi с 3,5 млрд параметров, опубликованная Josephgflowers. Она предназначена для научных и образовательных бесед, ответов на вопросы о знаниях мира и STEM-темах, а также для ролевого общения от лица персонажа Cinder и творческого исследования идей. В README описана настройка на данных, сходных с OpenHermes 2.5, с дополнительными материалами по математике, STEM и рассуждениям, в основном из OpenOrca, а также данными для персонажа и вопросами и ответами, созданными с применением RAG. Модель принимает текст и генерирует текст. Для репозитория указаны форматы GGUF F16 и safetensors; контекст составляет 2048 токенов. Лицензия — MIT. В README приведены результаты Open LLM Leaderboard по нескольким метрикам, однако они сами по себе не гарантируют качество в конкретных сценариях.

Confucius3-Math — открытая языковая модель на 14 млрд параметров от команды NetEase Youdao AI, предназначенная для решения задач школьной математики K–12. Она построена на архитектуре Qwen2 и дообучена методом обучения с подкреплением на базе DeepSeek-R1-Distill-Qwen-14B; доступна в формате safetensors и запускается через Transformers или vLLM. Контекст модели составляет 131 072 токена. Модель рассчитана на решение и объяснение математических задач с учётом китайской школьной программы и методик. В карточке сообщается о высоких результатах на тестах по математике K–12 и возможности запуска на одной потребительской видеокарте, например RTX 4090D. Лицензия — MIT. Качество в нематематических задачах не проверено. Модель может зацикливаться в рассуждениях и выдавать некорректный результат; также она не проходила отдельную настройку и проверку безопасности.

cmcheng/DeepMath-GRPO_Qwen2.5-0.5B-Instruct — компактная языковая модель на архитектуре Qwen2, дообученная методом GRPO на базе Qwen/Qwen2.5-0.5B-Instruct. Веса содержат около 494 млн параметров; модель использует библиотеку Transformers и формат safetensors, поддерживает диалоговый режим и контекст до 32 768 токенов. Модель предназначена для генерации текста с акцентом на математические задачи. При дообучении использовался набор zwhe99/DeepMath-103K: 97 870 обучающих примеров и 5 152 тестовых; из тестовой части случайно выбрали 100 примеров для валидации. README указывает на обучение в bf16 с DeepSpeed и ограничение в 5 000 шагов. Данные подтверждают специализацию обучения, но не приводят результаты оценки качества или конкретные гарантии точности. Лицензия в предоставленных сведениях не указана.

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.

Einstein-v4-phi2 — полноценно дообученная на разнообразных наборах данных модель Microsoft Phi-2, опубликованная Weyaxi. Она предназначена для генерации текста в формате инструкций и диалога ChatML, включая ответы на вопросы и рассуждения по научным и STEM-темам: физике, химии, биологии и математике. В обучающих данных также использовались наборы по общим вопросам, коду и диалогам. Модель имеет плотную архитектуру PhiForCausalLM и 3,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык, а длина контекста составляет 2048 токенов. Карточка сообщает о полном дообучении в течение двух эпох с использованием Axolotl. В качестве ограничений следует учитывать компактный контекст и то, что ответы модели могут содержать ошибки, в том числе в научных рассуждениях. Лицензия указана как «other», поэтому условия использования следует сверить с файлами репозитория Hugging Face.

Fikr-7B-Reasoning — арабоязычная языковая модель для задач на рассуждение, разработанная на основе Qwen/Qwen2.5-7B-Instruct и дообученная методом supervised fine-tuning. Это плотная модель архитектуры Qwen2 с 7,1 млрд параметров для генерации текста и диалогов; контекст составляет до 32 768 токенов. Она предназначена прежде всего для многошаговой арифметики, математических текстовых задач и логических рассуждений на арабском языке. Модель обучена структурировать промежуточные шаги рассуждения отдельно от итогового ответа; карточка также приводит примеры на английском языке. В тесте Arabic-GSM8K модель показала точность 71,95% по точному совпадению числового ответа — на 0,45 процентного пункта ниже базовой Qwen2.5-7B-Instruct. Примеры в карточке также показывают ошибки на некоторых логических задачах и неполные либо неверные объяснения, поэтому результат следует проверять, особенно в задачах, где важны точность и последовательность рассуждений. Распространяется по лицензии Apache-2.0.

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.

HelpingAI3 — англоязычная авторегрессионная языковая модель, разработанная HelpingAI для эмоционально чутких диалогов. Это плотная decoder-only модель семейства Llama с 9,9 млрд параметров и контекстом до 32 768 токенов; она доступна в формате safetensors и поддерживает чат на английском языке. Модель предназначена для виртуального общения и эмоциональной поддержки, рекомендаций по благополучию, персонализированного обучения и профессиональной помощи. По данным карточки, обучение включало эмоциональные диалоги, терапевтические обмены, культурные разговоры и кризисные сценарии. Модель может отражать смещения обучающих данных и ошибочно интерпретировать сложные эмоции. Она не заменяет квалифицированную психологическую или медицинскую помощь. Указана лицензия HelpingAI License; метаданные классифицируют её как other.

Hypothesentrainer — немецкоязычная модель на базе Llama-2, дообученная для обратной связи по гипотезам школьников в биологии. Она принимает исследовательский вопрос и гипотезу ученика и формирует педагогически ориентированный отзыв; обучающие примеры были подготовлены с помощью GPT-4-Turbo. Модель представляет собой плотный decoder-only трансформер с 12,9 млрд параметров и контекстом до 8192 токенов. Репозиторий содержит веса Safetensors для использования с Transformers. Модель подходит для поддержки учебных заданий по формулированию и обсуждению биологических гипотез. README сообщает о дообучении на 1093 примерах в течение двух эпох, но оценка качества помечена как TODO, поэтому надёжность и переносимость результатов не подтверждены. В README лицензия не приведена; условия использования следует проверить отдельно.

InfoDensity-DeepSeek-R1-Distill-Llama-8B — дообученная amao0o0 модель на основе deepseek-ai/DeepSeek-R1-Distill-Llama-8B. Она использует обучение с подкреплением InfoDensity: награда поощряет информационно плотные цепочки рассуждений и применяется к трассам, которые приводят к правильному ответу. Модель предназначена для генерации текста в диалогах и для многошаговых рассуждений, в частности при решении математических и научных задач. Модель построена на плотной архитектуре Llama с классом LlamaForCausalLM и содержит 7,5 млрд параметров. Контекстное окно — до 131 072 токенов. В описанных авторами тестах AMC23, AIME24, MATH500 и GPQA-Diamond модель показала суммарную точность pass@1 58,4% при средней длине ответа 6,5 тыс. токенов; результаты зависят от протокола оценки и не гарантируют качество на других задачах. Распространяется в формате safetensors по лицензии MIT.

KucLab Hertz 0.7F — чешско-английский помощник по естественным наукам, математике и программированию, созданный KucLab на базе Qwen/Qwen3.5-9B. Модель дообучена методом QLoRA с рангом 16; адаптер объединён с базовыми весами. Данные для дообучения дистиллированы из ответов 30-миллиардной модели-учителя. Доступны веса safetensors и квантованный GGUF Q4_K_M; для GGUF указано около 5,3 ГБ. В конфигурации Ollama заявлен контекст 32 768 токенов. Модель предназначена для диалога и ответов на вопросы по математике, физике, химии, биологии, чешской и английской научной терминологии, а также для задач программирования. В описанных разработчиком проверках она показала 83,3% на собственной выборке MMLU-Pro STEM и 85,4% на тесте чешско-английских научных терминов; также приведён результат 87,8% на GSM8K при строгом сопоставлении. Это результаты конкретных тестов разработчика, а не гарантия качества в иных сценариях. Известное ограничение — сравнительно слабое покрытие биологии в обучающих данных: на тесте по биологии результат ниже, чем у предыдущей модели Hertz 0.6. Модель не дообучалась для вызова инструментов. Лицензия — Apache 2.0.