IV.5Образование и развитие навыков

RLCR-lr1e-6-math-seed40 — дообученная языковая модель на базе Qwen/Qwen2.5-3B, подготовленная с помощью TRL. Она предназначена для генерации текста в диалоговом формате и может отвечать на вопросы; пример в карточке показывает обычный вопрос, а метаданные указывают на обучение с GRPO и математическую тематику. Модель использует архитектуру Qwen2.5 и содержит около 3,1 млрд параметров согласно описанию базовой модели. Репозиторий предоставляет веса в формате safetensors для библиотеки Transformers. Лицензия и поддерживаемые языки в предоставленных данных не указаны.

slerp-bophades-truthy-math-mistral-7B — созданная с помощью mergekit объединённая языковая модель на архитектуре Mistral. Разработчик объединил методом SLERP модели nbeerbower/bophades-mistral-math-DPO-7B и nbeerbower/bophades-mistral-truthy-DPO-7B; размер составляет 7,1 млрд параметров, формат весов — safetensors, библиотека — Transformers. Модель предназначена для генерации текста, включая ответы и рассуждения на математические темы. Контекст — до 32 768 токенов. В README и метаданных не заявлена поддержка конкретных естественных языков. Модель распространяется по лицензии Apache-2.0.

Модель jatinmehra/smolLM-fined-tuned-for-PLAGAIRISM_Detection — англоязычный классификатор для бинарного выявления плагиата в парах предложений. Автор дообучил SmolLM2-135M-Instruct от HuggingFaceTB и адаптировал архитектуру Llama для классификации последовательностей с двумя метками. Модель предназначена для проверки сходства предложений и может применяться при первичном анализе учебных работ. В README сообщается точность 96,20% и F1-мера 0,96 на тестовом наборе из 73 474 примеров; эти показатели относятся к датасету MIT Plagiarism Detection Dataset и не гарантируют такую же точность на других текстах. Модель имеет 134,5 млн параметров, принимает текст, а контекст составляет до 2048 токенов. Распространяется по лицензии MIT.

StudyLap-Tutor-v2 — дообученная авторегрессионная языковая модель семейства Qwen2, разработанная boyatilak123 на основе unsloth/Qwen2.5-7B-Instruct-bnb-4bit с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на генерацию текста в диалоговом формате; заявленная длина контекста — до 32 768 токенов. Её можно применять как разговорного учебного помощника: задавать вопросы по учебным темам и получать текстовые объяснения или ответы. Карточка не описывает специализированные предметные области, конкретные учебные данные и результаты оценки качества, поэтому пригодность для определённых предметов и точность ответов следует проверять отдельно. Модель распространяется по лицензии Apache-2.0.

T3Q-Mistral-Orca-Math-DPO — текстовая генеративная модель, разработанная Chihoon Lee (chlee10) и T3Q. Это DPO-дообучение модели liminerity/M7-7b на датасете kyujinpy/orca_math_dpo, ориентированное на генерацию ответов, связанных с математикой. Модель построена на плотной архитектуре MistralForCausalLM и содержит 7,1 млрд параметров; максимальный контекст — 32 768 токенов. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Tarbiyah AI Whisper Medium Merged — модель автоматического распознавания речи, разработанная для проекта Tilawah AI на основе openai/whisper-medium. Это дообученная модель семейства Whisper с архитектурой encoder-decoder Transformer и 455,8 млн параметров; репозиторий содержит веса safetensors. Модель предназначена прежде всего для расшифровки чтения Корана на арабском языке, включая различные стили рецитации, а также показывает применимость к общей арабской речи. В карточке указаны результаты WER 5,8% на пользовательском наборе чтения Корана, 14,2% на Common Voice 11 Arabic и 11,5% в тесте с шумом. Модель может использоваться для транскрибации аятов и поддержки анализа рецитации в образовательных приложениях. Авторы отмечают, что обучающие данные преимущественно включали мужские голоса, поэтому качество для женских и детских голосов может отличаться; возможен перекос в пользу распространённых стилей, например Хафс ан Асым. Расшифровка не заменяет обучение у квалифицированного преподавателя и не предназначена для религиозных заключений. Лицензия — MIT.

ThinkLess-2B — дообученная модель Shaik1903 на базе Qwen3.5-2B, предназначенная для решения математических и научных задач с более короткими рассуждениями. Обучение включало SFT на коротких корректных решениях и короткий этап GRPO с вознаграждением за точность и длину ответа; в карточке также указано использование самодистилляции и учителя той же семьи размером 9 млрд параметров для сложных задач. Модель рассчитана на генерацию ответов и рассуждений на английском языке. В тестах GSM8K, MATH-500 и GPQA-Diamond она использовала меньше токенов, чем базовая модель, и показала более высокую точность; автор также сообщает о снижении числа незавершённых ответов. Для подачи обычно применяются Transformers, а ускоренный сценарий обслуживания с vLLM и MTP speculative decoding показан отдельно. Контекстный бюджет в описанных оценках составлял 81 920 токенов. Карточка сообщает о снижении точности на олимпиадных задачах относительно базовой модели и о чувствительности к 4-битной AWQ-квантизации; такая версия не опубликована. Обучение проводилось только на английских математических задачах, поэтому перенос на науку проверялся отдельно, а результаты основаны на одном запуске обучения. Лицензия — Apache-2.0.

aboalaa1472 разработал Whisper Quranic ASR v2 как дообученную и полностью объединённую версию Whisper Large V3 Turbo, предназначенную для распознавания речи при чтении Корана на арабском языке. Модель принимает аудио и выдаёт текстовую транскрипцию; она рассчитана на работу с особенностями коранической рецитации, включая таджвид, протяжные гласные и различия в темпе чтения. Веса LoRA-адаптера объединены с базовыми параметрами, поэтому модель загружается как обычная модель Whisper без отдельной зависимости от PEFT. Для обучения использован датасет EveryAyah: 5 000 обучающих и 500 проверочных записей; при подготовке аудио применялись преобразования высоты тона и скорости воспроизведения. В карточке указана лицензия MIT. Количественные результаты распознавания и независимая оценка качества не приведены.

Yakult-70B — языковая модель Jan, дообученная на математических данных на базе LLaMA 3 70B. Она предназначена для диалогового взаимодействия и решения математических задач; запускать её можно через Jan Desktop на macOS, Windows и Linux. Модель использует плотную архитектуру LlamaForCausalLM, содержит 69,5 млрд параметров и поддерживает контекст до 8192 токенов. Карточка указывает английский язык, формат весов safetensors и шаблон диалога Llama 3. Лицензия — Llama 2.

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

Arithmo2-Mistral-7B — англоязычная языковая модель для математических рассуждений, разработанная Ashvini Kumar Jindal. Это финальная объединённая версия дообученной с помощью QLoRA модели на базе mistralai/Mistral-7B-v0.1; архитектура — плотная MistralForCausalLM, размер — 7,1 млрд параметров, контекст — 32 768 токенов. Модель предназначена для решения математических задач с пошаговым объяснением (CoT) или генерацией Python-программы для вычисления ответа (PoT). В README сообщается об улучшении результатов относительно первой версии Arithmo-Mistral-7B на GSM8K и MATH. Модель принимает текстовые вопросы и генерирует текст с рассуждением или программой; для PoT выполнение программы происходит отдельно во время инференса. Модель распространяется по лицензии MIT. Она специализирована на математических задачах и обучена на английском языке; качество на других языках и за пределами математических сценариев не описано.

A.X-3.1-Light SFT v3.2 AI Hub Extension — корейскоязычная модель генерации текста от автора youngseok12, дообученная на базе skt/A.X-3.1-Light. Модель имеет плотную архитектуру семейства Llama и около 6,8 млрд параметров; она принимает текстовые запросы и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы на корейском языке, выполнения инструкций и исследовательской оценки. Она дообучена методом supervised fine-tuning с LoRA на 13 801 отобранном примере, после чего адаптер объединён с базовой моделью; опубликованы самостоятельные веса BF16 в формате safetensors. Для вопросов с выбором ответа и задач с кратким ответом модель обучали сначала давать ключевой ответ, а при необходимости добавлять краткое обоснование. Результаты могут быть неточными, поэтому модель не следует использовать как единственное основание для медицинских, юридических или финансовых решений. Лицензия — Apache-2.0; для обучающих данных AI Hub необходимо соблюдать условия их использования.

DeepCode-7B-Aurora-v12 — объединённая модель, опубликованная пользователем ALBADDAWI и созданная с помощью LazyMergekit на основе DeepSeekMath-7B-RL. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров, предназначенная для генерации текста в диалоговом формате; базовая модель ориентирована на ответы и решение математических задач. Конфигурация README указывает на объединение нескольких копий одной и той же базовой модели методом model_stock. Модель принимает текст и генерирует текст, поддерживает контекст длиной до 4096 токенов и распространяется в формате safetensors. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит результатов оценки качества или сведений о дополнительном обучении на коде, поэтому специализацию на программировании по названию подтвердить нельзя.

DeepSeek-qwen-Bllossom-32B — плотная языковая модель семейства Qwen2, разработанная совместно UNIVA и командой Bllossom на основе DeepSeek-R1-Distill-Qwen-32B. Модель содержит 32 млрд параметров, использует библиотеку Transformers и формат весов safetensors; длина контекста составляет 131 072 токена. Она дообучена на корейских и английских данных рассуждений, чтобы улучшить рассуждения на корейском и уменьшить смешивание языков: внутренний ход рассуждений может быть на английском, а итоговый ответ формируется на языке запроса. Модель предназначена для диалогов и решения сложных задач, в частности математических и логических вопросов, на корейском и английском языках. В карточке приведены результаты сравнительных тестов AIME24 и MATH500 на английском и корейском языках; они описывают конкретный протокол оценки и не гарантируют точность на других задачах. Модель распространяется по лицензии MIT.

Anvil-ML/detecteur-ia — франкоязычный классификатор текста, разработанный Anvil-ML для определения, написан ли текст человеком или языковой моделью, например ChatGPT или LLaMA. Модель основана на BARThez и использует архитектуру mBART для классификации последовательностей; размер составляет 95 млн параметров, максимальный контекст — 1024 токена. Она обучалась на 15 000 французских статей и их резюме, созданных людьми и ИИ. Модель предназначена для предварительной проверки текстов, в том числе в образовательной среде. По описанию автора, она рассчитана на выявление текста, целиком созданного ИИ, и может классифицировать как человеческий текст материал, сгенерированный ИИ, но затем переписанный человеком. Лицензия CC BY-NC-SA 4.0 допускает использование с атрибуцией и на условиях распространения производных материалов по той же лицензии, но запрещает коммерческое применение.

Fathom-R1-14B — 14-миллиардная плотная языковая модель от FractalAIResearch для генерации текста и решения задач с пошаговыми рассуждениями. Она дообучена на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-14B с использованием курируемых математических данных и итеративного обучения по сложности; авторы также описывают этап объединения моделей. Модель ориентирована прежде всего на сложные математические задачи, включая олимпиадные задачи AIME и HMMT. В README авторы сообщают о результатах на этих экзаменах при контексте обучения до 16K токенов; метаданные указывают нативный контекст 131072 токена. Модель использует архитектуру Qwen2 и распространяется в формате safetensors для Transformers. Она принимает текст и генерирует текст; метаданные также отмечают чатовый интерфейс и интерфейс вызова инструментов. В README указана лицензия MIT. Описанные результаты относятся к оценкам авторов и конкретным экзаменационным настройкам, поэтому не гарантируют точность на любых математических или иных запросах.

kyungeun/gemma-2-9b-it-mathinstruct — чат-модель на архитектуре Gemma 2, созданная дообучением google/gemma-2-9b-it на наборе MathInstruct. Она предназначена для генерации ответов на математические запросы и решения задач в диалоговом формате. Модель содержит 9 млрд параметров, принимает текст и поддерживает контекст длиной до 8192 токенов. В метаданных указан английский язык и библиотека Transformers. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробностей о поддерживаемых разделах математики, поэтому качество решения конкретных классов задач по этим данным определить нельзя.

Jackrong/gpt-oss-120b-Distill-Llama3.1-8B-v2 — языковая модель, разработанная Soren на основе Llama 3.1 8B и дообученная для улучшения рассуждений. В README описаны дистилляция ответов более крупных моделей, supervised fine-tuning и последующее обучение с подкреплением GRPO. Модель насчитывает 7,5 млрд параметров, использует плотную архитектуру Llama и поддерживает контекст до 131 072 токенов. Модель предназначена прежде всего для диалогового решения математических задач и других запросов, требующих пошагового рассуждения. Она обучалась на смешанных китайских и английских данных и может выдавать подробный ход рассуждений в заданном формате. По описанию автора, среди сильных сторон — решение алгебраических текстовых задач; модель уступает ведущим специализированным системам рассуждения и не умеет вызывать внешние инструменты. Лицензия — Llama 3.1.

Rifky/Indobert-QA — индонезийская модель для ответов на вопросы, созданная дообучением IndoBERT Base-Uncased на переведённом датасете SQuAD 2.0. Это BERT-модель с архитектурой BertForQuestionAnswering и 137,8 млн параметров; она принимает вопрос и текстовый фрагмент и извлекает из него ответ, а если в тексте нет подтверждения, может воздержаться от ответа. Контекст ограничен 512 токенами. Модель предназначена для систем вопросно-ответного поиска по текстам и учебных помощников, в частности для сценариев чтения на индонезийском языке. В README для оценки на SQuAD 2.0 приведены EM 51,61 и F1 69,09. Модель распространяется в форматах PyTorch и safetensors по лицензии Apache-2.0.

QuantFactory/internlm2-math-plus-7b-GGUF — квантизированная версия языковой модели InternLM2-Math-Plus-7B, созданная с использованием llama.cpp на основе модели internlm/internlm2-math-plus-7b. Модель предназначена для генерации текста и решения математических задач, включая неформальное математическое рассуждение, пошаговое объяснение решений, работу с Python для вычислений, перевод математических утверждений в LEAN 4 и формальное доказательство теорем. Известно, что модель относится к классу 7B и поддерживает английский и китайский языки. Формат GGUF ориентирован на запуск через совместимые инструменты экосистемы llama.cpp и может быть удобен для локального инференса, однако конкретный уровень квантизации, требования к памяти, размер контекста и точная архитектура в README не указаны. В опубликованных результатах базовая версия InternLM2-Math-Plus-7B показывает 53,0 на MATH, 59,7 на MATH с Python, 85,8 на GSM8K и 43,4 на MiniF2F-test. Сильная сторона модели — специализация на математическом рассуждении, включая как прикладные задачи, так и формальную математику. Ограничения связаны с отсутствием сведений о конкретной схеме квантизации и системных требованиях, а также с тем, что приведённые показатели относятся к исходной версии InternLM2-Math-Plus-7B и не обязательно полностью отражают характеристики квантизированного файла. Лицензия указана как other, без дополнительных условий в README.

IPA Transcriptor 300M — дообученная pymlex байтовая модель google/byt5-small на базе архитектуры T5. Она преобразует английские слова в фонетическую транскрипцию IPA, например analytical → ˌænəˈlɪtɪkəl. Модель обучена на 125 925 очищенных парах «английское слово — транскрипция IPA» из фонетического словаря. Веса доступны в форматах Safetensors и ONNX; для запуска используется библиотека Transformers. Общее число параметров — 364,6 млн. Модель предназначена для получения IPA-транскрипций отдельных английских слов и может применяться в инструментах изучения произношения или фонетической обработки текста. В README приведены значения loss и perplexity на валидационной и тестовой выборках, однако данных о качестве на других типах текста нет. Лицензия — GPL-3.0.

JustRL-Nemotron-1.5B — языковая модель для математических рассуждений, созданная авторами проекта JustRL на основе OpenMath-Nemotron-1.5B от NVIDIA. Модель дообучена методом GRPO в один этап с фиксированными гиперпараметрами и бинарной наградой за правильный ответ на задачах из DAPO-Math-17k. Модель построена на плотной архитектуре Qwen2, содержит 1,5 млрд параметров и принимает текстовые запросы, выдавая текстовые решения. Метаданные указывают контекст до 131 072 токенов; в описании обучения указан лимит в 16 тыс. токенов, а пример запуска vLLM задаёт максимум 32 768 токенов. Карточка сообщает о результатах на математических бенчмарках, включая среднее 64,32% по девяти наборам тестов и лидерство на пяти из них в приведённом сравнении. Модель предназначена прежде всего для решения и объяснения математических задач. Её метод проверки награды основан на сопоставлении строк без SymPy, поэтому карточка не подтверждает формальную проверку эквивалентности ответов. Модель распространяется по лицензии Apache-2.0.

LFM2.5-1.2B-Distilled-SFT — компактная языковая модель Convergent Intelligence LLC, созданная на базе liquid/LFM2.5-1.2B-Instruct. Это плотная гибридная архитектура LFM2.5, сочетающая SSM и attention; по метаданным содержит 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Модель прошла дистилляцию знаний от LFM2-24B-A2B на задачах STEM и дообучение с учителем на примерах логического вывода. Модель предназначена для генерации текста с пошаговыми решениями математических и естественно-научных задач, логического вывода и диалоговых сценариев. В карточке заявлены применение на устройствах и периферийных системах с ограниченными ресурсами и высокая скорость инференса на процессорах AMD; также указано, что модель лучше справляется с шаблонами пропозициональной логики из обучающих данных. К ограничениям относятся небольшой размер модели, ограниченная способность к сложным доказательствам и вложенным кванторам, а также необходимость проверять ответы. README предостерегает от использования для формальной верификации доказательств и критически важных систем и указывает ограничение в 1024 токена для длинного контекста, что расходится с контекстом 128 000 токенов в метаданных. Лицензия — Apache-2.0.

Это модель Longformer-base, дообученная на наборе данных Machine-Paraphrased Plagiarism Dataset для классификации текста при обнаружении плагиата, созданного машинным перефразированием. Она предназначена для проверки текстов на сходство с возможным источником плагиата и классификации таких случаев. Архитектура LongformerForSequenceClassification содержит 151,8 млн параметров и поддерживает контекст до 4098 токенов. Модель принимает текст и выдаёт метки классификации; карточка указывает английский язык. Веса доступны в форматах PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

LUFFY-Qwen-Math-7B-Zero — чат-модель Elliott для генерации решений математических задач. Она основана на Qwen/Qwen2.5-Math-7B и дообучена методом reinforcement learning с использованием подхода LUFFY: обучение сочетает собственные генерации модели с готовыми трассами рассуждений, а policy shaping помогает учитывать важные действия с низкой вероятностью. В метаданных указаны архитектура Qwen2, 7,1 млрд параметров, контекст 16 384 токена и библиотека Transformers. Модель предназначена для пошагового решения конкурсных задач по математике и проверки математических рассуждений. В README сообщается об оценке на AIME, AMC, MATH-500, Minerva и олимпиадных тестах, а также о проверках обобщения на ARC-C, GPQA и MMLU-Pro. Базовая Qwen2.5-Math рассчитана на английский и китайский языки; отдельное подтверждение языкового охвата самой производной модели в карточке не приведено. Модель выпущена по лицензии MIT. Приведённые в карточке результаты относятся к указанным бенчмаркам и сами по себе не гарантируют точность в других задачах; ответы следует проверять, особенно при использовании вне математической области.

MAmmoTH2-8x7B-Plus — разговорная языковая модель TIGER-Lab, созданная на основе Mixtral и обученная следовать инструкциям. Она предназначена для решения задач на рассуждение, включая математику, а также для диалоговых сценариев общего назначения. Модель построена на архитектуре Mixtral с разреженной смесью экспертов; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Для работы используется библиотека Transformers, веса доступны в формате safetensors. Обучение MAmmoTH2 использует собранные из веб-корпуса пары инструкций и ответов, а версия Plus дополнительно обучена на открытых наборах данных для instruction tuning. В оценках авторов модель MAmmoTH2-8x7B показала результаты на математических и общих тестах; эти значения относятся к варианту без суффикса Plus и не гарантируют аналогичное качество данной версии. Модель принимает текст и генерирует текст, а карточка указывает английский язык. Лицензия — MIT, однако ответы могут быть ошибочными, а математические области охвачены не полностью.

Карточка модели MathGenie/MathCoder2-CodeLlama-7B на Hugging Face совпадает с карточкой MathGenie/MathCoder2-Llama-3-8B, поэтому описание составлено по ней. MathCoder2-Llama-3-8B — языковая модель MathGenie для генерации текста с упором на математические рассуждения и код. Она создана продолжением предобучения Meta-Llama-3-8B на наборе MathCode-Pile, содержащем математический код и сопровождающие его рассуждения на естественном языке. Модель с плотной архитектурой Llama насчитывает 7,5 млрд параметров, принимает текст и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, объяснения хода рассуждений и работы с математическим кодом на английском языке. В карточке указана лицензия Apache-2.0. Специализация на математике не гарантирует правильность вычислений или сгенерированного кода.

MetaMath-Cybertron-Starling-Mistral-7B-Instruct-v0.1 — объединённая авторами MaziyarPanahi модель на архитектуре Mistral для диалоговой генерации текста и ответов на инструкции. Она создана слиянием mistralai/Mistral-7B-Instruct-v0.1 и Q-bert/MetaMath-Cybertron-Starling методом SLERP; конфигурация задаёт формат bfloat16. Модель содержит 7,1 млрд параметров и имеет контекст до 32 768 токенов. Модель предназначена для диалога и генерации ответов, в том числе для математических вопросов и задач, на что указывают название и метаданные о MetaMathQA. Метаданные указывают английский язык. Репозиторий распространяется по лицензии Apache-2.0. Поскольку это слияние двух моделей, конкретное качество на математических и общих задачах зависит от запроса; README не приводит результатов оценки или дополнительных рекомендаций по применению.

MaziyarPanahi/MetaMath-Mistral-7B-Mistral-7B-Instruct-v0.1 — объединённая чат-модель на архитектуре Mistral для генерации текста и ответов на инструкции. Она создана слиянием mistralai/Mistral-7B-Instruct-v0.1 и meta-math/MetaMath-Mistral-7B методом SLERP; в метаданных указано 7,1 млрд параметров и контекст до 32 768 токенов. Модель рассчитана на диалоговые запросы и математические задачи, связанные с MetaMathQA. Поддерживает формат safetensors и распространяется по лицензии Apache-2.0.

Карточка модели kevinpro/MetaMathOctopus-MAPO-DPO-13B на Hugging Face совпадает с карточкой kevinpro/MetaMathOctopus-7B, поэтому описание составлено по ней. MetaMathOctopus-7B — генеративная языковая модель на базе архитектуры Llama, опубликованная пользователем kevinpro. По названию и приведённым в карточке бенчмаркам MSVAMP, MGSM и MNumGLUESub модель предназначена для решения математических задач, в том числе многоязычных. Модель содержит 6,6 млрд параметров, принимает текст и генерирует текст; длина контекста — 4096 токенов. В метаданных указаны языки как multilingual, но конкретные языки README не перечисляет. Репозиторий содержит веса в формате Safetensors, лицензия — Apache-2.0. Карточка приводит результаты сравнения с GPT-3.5-Turbo, MAmmoTH и WizardMath на математических наборах, однако доступный фрагмент не содержит результатов самой MetaMathOctopus-7B, поэтому по нему нельзя оценить её точность или сравнить качество с другими моделями. Модель можно рассматривать для экспериментального применения в генерации ответов и рассуждений по математическим задачам.