IV.5Образование и развитие навыков

MM-Orc-Vic-bagel-34b-c1000 — дообученная Abacus.AI языковая модель на основе DPO Bagel, обученная на наборе MetaMathFewshot. Она предназначена для генерации текста в диалоге и решения задач, связанных с математическими рассуждениями и ответами на вопросы. Модель использует плотную архитектуру LlamaForCausalLM с 33,9 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 200 000 токенов. В карточке приведено сравнение с nontoxic-bagel-34b-v0.2, но результаты самой модели в таблице не заполнены, поэтому её качество по бенчмаркам оценить нельзя. Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Языки, на которых модель специально обучена или оценена, в доступных сведениях не установлены.

obadx/muaalem-model-v3_2 — модель автоматического распознавания арабской речи, представленная в статье об обнаружении и исправлении ошибок произношения у изучающих чтение Священного Корана. Она дообучена на базе facebook/w2v-bert-2.0 и использует архитектуру Wav2Vec2BertForMultilevelCTC; число параметров по метаданным — 402,7 млн. Модель принимает аудио и выдаёт текстовое распознавание на арабском языке. Её назначение — распознавать чтение Корана, в том числе в сценариях обучения и анализа произношения. Опубликована для Transformers под лицензией MIT. Карточка не приводит результатов оценки и подробных сведений о точности, поэтому качество на конкретных записях нельзя определить по имеющимся данным.

NeuralKrishnaMath-7B-slerp — объединённая языковая модель семейства Mistral, опубликованная Kukedlc. Она объединяет веса трёх моделей: liminerity/M7-7b, Kukedlc/NeuralSirKrishna-7b и Kukedlc/Neural4gsm8k; в конфигурации также указан CorticalStack/neurotic-crown-clown-7b-ties как базовая модель слияния. Модель предназначена для генерации текста и диалогов, в том числе решения математических задач. Модель имеет плотную архитектуру MistralForCausalLM, содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Доступны веса в формате safetensors. Репозиторий распространяется по лицензии Apache-2.0. Карточка не приводит результатов оценки качества или подробных ограничений; специализированные математические способности основаны на включении Neural4gsm8k в состав слияния и не гарантируют точность ответов.

NFT-32B — языковая модель для математических рассуждений, разработанная NVIDIA, Университетом Цинхуа и Стэнфордским университетом. Это дообученная на Qwen2.5-32B модель с архитектурой Qwen2: плотный трансформер-декодер с 32 млрд параметров и контекстом до 131 072 токенов. Для дообучения применён метод Negative-aware Fine-Tuning, использующий как верные, так и неверные ответы модели; среди указанных данных — DAPO-Math-17k. Модель принимает текстовые математические задачи, в том числе с формулами LaTeX, и генерирует пошаговые решения на естественном языке и математической нотации. Она предназначена для задач уровня математических олимпиад и соревнований, а также для других задач на математическое решение; карточка указывает, что модель в первую очередь обучалась на задачах на английском языке. Доступны веса в формате Safetensors, поддерживаются Transformers, vLLM и TensorRT-LLM. Модель может ошибаться в вычислениях и хуже справляться с обычным диалогом, нематематическими запросами и задачами, требующими знаний о реальном мире вне математики; для инференса нужны значительные ресурсы GPU. Разработчики позиционируют её для исследований и разработок. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели.

NuminaMath-7B-TIR-GGUF — квантизированная в формате GGUF версия модели NuminaMath-7B-TIR, разработанной AI-MO и подготовленной квантизацией bartowski с использованием llama.cpp. Модель предназначена для генерации решений математических задач с пошаговыми рассуждениями, включая задачи, где может потребоваться выполнение кода или инструментов. В README приведён пример решения задачи на поиск целочисленных корней квадратного многочлена. Модель имеет размер 7B параметров в исходной версии и относится к моделям генерации текста. Доступны варианты от F32 до низкобитных квантизаций Q8_0, Q6_K, Q5_K, Q4_K, IQ4 и Q3_K; размер файлов составляет примерно от 3,29 до 27,65 ГБ. Более высокие варианты квантизации обеспечивают лучшее сохранение качества, тогда как низкобитные версии требуют меньше оперативной памяти, но могут давать менее точные результаты. Формат ориентирован на запуск через llama.cpp и совместимые инструменты. README не содержит сведений об архитектуре базовой модели, максимальном контексте, поддерживаемых языках, мультимодальности, результатах бенчмарков или ограничениях математических рассуждений. Модель распространяется по лицензии Apache-2.0.

Olmo3-M3PO-7B — англоязычная модель для генерации текста и решения математических задач, разработанная BayesRL на основе Olmo-3. Это плотная авторегрессионная модель класса Olmo3ForCausalLM с 6,9 млрд параметров и контекстом до 65 536 токенов. Модель дообучена методом M3PO: при обучении для RLVR применяются выборки возмущений весов из приближённого апостериорного распределения IVON, а M3PO усредняет градиенты по нескольким таким выборкам. Базовая модель для дообучения — BayesRL/Olmo3-IVON-SFT-7B; исходная модель — allenai/Olmo-3-1025-7B. Модель предназначена для генерации ответов и математических рассуждений в диалоговом режиме. В карточке указана оценка на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступны веса в формате Safetensors для Transformers. Лицензия — Apache 2.0.

OPDLM-MATH-4B — языковая модель с блочной диффузией, разработанная на основе адаптации Qwen/Qwen3-4B. Модель дообучена для математических рассуждений методом on-policy distillation; это базовый вариант без отдельного блока chain-of-thought. Архитектура a2d-qwen3 использует блоки длиной 4 токена и 4 шага денойзинга на блок. Модель предназначена для генерации текста и решения математических задач; для инференса требуются пользовательский код из репозитория и параметры блочной диффузии, поэтому стандартный model.generate использовать не следует. README указывает короткий контекст постобучения в 2 тыс. токенов, тогда как метаданные Hugging Face приводят нативное окно контекста 40 960 токенов. В репозитории указана лицензия Apache-2.0. Модель содержит около 3,7 млрд параметров и опубликована в формате safetensors.

OpenThaiGPT 1.0.0 70B — чат-модель команды OpenThaiGPT на базе LLaMA 2, выпущенная в апреле 2024 года. Это плотная авторегрессионная модель с 68,8 млрд параметров, дообученная на тайских инструкциях; в словарь добавлено более 10 тысяч часто используемых тайских слов. Репозиторий содержит веса Safetensors и GGUF, а метаданные указывают библиотеку Transformers и лицензию Llama 2. Модель предназначена для диалогов на тайском языке, выполнения инструкций и генерации ответов, в том числе в сценариях RAG с предоставленным контекстом. Карточка сообщает о предобучении на более чем 65 млрд тайских слов и дообучении на свыше миллиона примеров инструкций. README заявляет поддержку контекста до 4096 тайских слов, тогда как метаданные указывают нативное окно в 2048 токенов; эти значения используют разные единицы измерения и не следует считать их эквивалентными. В карточке также приведены результаты экзаменационных оценок, но они не гарантируют качество на других задачах. Для запуска нужна значительная память: README оценивает потребность для 70B примерно в 192 ГБ при FP16, 96 ГБ при 8-битном и 48 ГБ при 4-битном представлении. Модель ориентирована прежде всего на тайский язык, хотя указана поддержка английского. Использование регулируется лицензией Llama 2.

Карточка модели Openintelligent123/Phi-4-mini-reasoning 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.

Qwen2.5-3B-GRPO-Staleness-8 — языковая модель zbeeb на базе Qwen/Qwen2.5-3B, дообученная методом GRPO на 17 005 примерах математического датасета DAPO. Это плотная авторегрессионная архитектура Qwen2 с 3,1 млрд параметров; репозиторий содержит веса Safetensors для Transformers и конфигурацию генерации, останавливающую вывод по двум токенам завершения. Модель принимает текст и генерирует текст; метаданные указывают английский и китайский языки. Контекстная конфигурация — 32 768 токенов, однако обучение использовало общий контекст 4 096 токенов и до 3 072 токенов ответа. Модель предназначена прежде всего для генерации решений математических задач и ответов на них. При обучении использовалась детерминированная награда за математическую эквивалентность итогового ответа; README приводит результаты оценивания на наборах MATH500, AMC, AIME, Minerva и OlympiadBench, но подчёркивает, что это результаты обучения, а не новая проверка опубликованного экспорта. Параметр staleness cap 8 ограничивал возраст rollout-политики при обучении и не задаёт длину генерации. Расширение контекста до 8K не настроено и не проверено. Лицензия указана как other; конкретные условия следует уточнить в карточке модели.

Это экспериментальный чекпойнт Qwen2.5-3B, дообученный на математических данных методом SFT в течение одной эпохи. Он относится к ветке экспериментов math shuffled и соответствует шагу оптимизатора 1072. Модель предназначена для генерации текста в математических сценариях, например для ответов на задачи и объяснения решений. Модель использует плотную архитектуру Qwen2 и содержит 3,1 млрд параметров. Она принимает текст, поддерживает диалоговый режим и имеет контекст длиной до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. Данных о языках обучения и лицензии в предоставленных источниках нет.

Qwen2.5-Math-1.5B — плотная языковая модель семейства Qwen2.5, представленная в карточке Unsloth как базовая версия серии математических моделей Qwen. Это дообученная модель Qwen/Qwen2.5-Math-1.5B с 1,5 млрд параметров, предназначенная для генерации продолжений и решений математических задач на английском и китайском языках. Она поддерживает рассуждения по цепочке (CoT) и интегрированное с инструментами рассуждение (TIR); контекст — до 4096 токенов. Модель подходит для генерации пошаговых решений и ответов на математические задачи, а также для few-shot-примеров и как основа для дальнейшего дообучения. В карточке рекомендуется использовать серию преимущественно для математики на английском и китайском; для других задач она не рекомендована. Для запуска требуется Transformers версии 4.37.0 или новее. Лицензия — Apache-2.0.

Qwen2.5-Math-1.5B-GRPO-Staleness-4 — дообученная методом GRPO модель zbeeb на базе Qwen/Qwen2.5-Math-1.5B, предназначенная для генерации решений математических задач. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров; обучение проводилось на наборе Staleness GRPO DAPO Math из 17 005 примеров. Модель принимает текстовые запросы и генерирует текстовые решения, поддерживает английский и китайский языки. Контекст составляет 4096 токенов, максимальная длина генерации во время обучения — 3072 токена. В README описан финальный чекпойнт шага 1000 и обучение с групповым размером 8; функция вознаграждения проверяет математическую эквивалентность итогового ответа. Веса сохранены в Safetensors в исходной точности, модель загружается для инференса в BF16. Лицензия — Apache-2.0. Результаты оценки в README являются самоотчётом разработчика; доступные сведения не позволяют делать выводы о качестве на задачах вне математического домена.

Карточка модели vy22215/Qwen2.5-Math-1.5B-Instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-1.5B-Instruct, поэтому описание составлено по ней. Qwen2.5-Math-1.5B-Instruct — языковая модель с архитектурой Qwen2, разработанная командой Qwen. Это версия с инструкционной настройкой и 1,5 млрд параметров, предназначенная прежде всего для решения математических задач на английском и китайском языках с пошаговыми рассуждениями (CoT) и tool-integrated reasoning (TIR). Модель работает через Transformers и поддерживает контекст до 4096 токенов. TIR помогает выполнять точные вычисления, символьные преобразования и алгоритмические рассуждения; модель подходит для ответов на математические вопросы и решения задач, включая вычислительно сложные примеры. В карточке приведён результат 79,7 на бенчмарке MATH для версии 1.5B-Instruct при использовании TIR. Разработчик не рекомендует применять семейство для задач вне математики. Модель распространяется по лицензии Apache-2.0.

Hao0oWang/Qwen2.5-Math-7B-16k-think — модель на архитектуре Qwen2, основанная на Qwen2.5-Math-7B-Base и использованная как базовая модель в CurioSFT. В README указано, что она связана с работой «Learning While Staying Curious: Entropy-Preserving Supervised Fine-Tuning via Adaptive Self-Distillation for Large Reasoning Models». Модель предназначена для генерации текста и рассуждений, в частности решения математических задач. Веса представлены в формате safetensors, размер модели — 7,1 млрд параметров, контекстное окно — 16 384 токена. Для модели изменены chat template и rope_theta, а контекстное окно настроено для рассуждений на длинном контексте. Она поддерживает чатовый сценарий и опубликована под лицензией MIT. README не сообщает результаты оценки качества или конкретные ограничения применения; математическая специализация следует из названия и базовой модели.

mergekit-community/Qwen2-Math-2B-Instruct — языковая модель для диалогового решения математических задач, созданная сообществом с помощью mergekit из Qwen/Qwen2-Math-1.5B-Instruct. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и примерно 1,9 млрд параметров. Слияние выполнено методом passthrough: в итоговую модель включены диапазоны слоёв базовой модели с отдельными настройками для некоторых проекций. Модель предназначена для генерации текстовых ответов в диалоге, прежде всего при решении арифметических и математических задач на английском языке. Она принимает текст и выдаёт текст; максимальный native context составляет 4096 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на библиотеку Transformers. Лицензия в предоставленных данных не указана.

Qwen3-0.6B STEM Proof Distilled — компактная языковая модель от Convergent Intelligence LLC, дообученная на основе Qwen/Qwen3-0.6B с дистилляцией рассуждений Qwen3-30B-A3B-Thinking. Модель содержит около 507,9 млн параметров, использует архитектуру Qwen3 с причинной генерацией текста и рассчитана на контекст до 40 960 токенов; в карточке описан формат обучения, который формирует ответы с разделами «Proof» и «Final Answer». Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель предназначена для компактного решения задач STEM: вывода математических выкладок, разбора задач по физике и инженерии, учебного объяснения решений и черновой подготовки доказательств. Её авторы описывают дистилляцию с акцентом на токены вывода и обучение на 6 122 примерах цепочек рассуждений из математики, физики, инженерии, биологии и смежных областей. В карточке указан английский язык. Размер модели подходит для локального и периферийного инференса, однако её возможности ограничены ёмкостью 0,6B: она может ошибаться в промежуточных шагах и испытывает трудности со сложными многошаговыми задачами. Авторы не рекомендуют полагаться на неё для формальной проверки доказательств, критически важных решений, медицинских или юридических советов; также отмечают ограничение для задач, требующих рассуждений длиннее примерно 1 024 токенов.

SeongryongJung/qwen3-8b-biology-sdpo-ema005 — контрольная точка модели Qwen3-8B, дообученной методом SDPO на наборе данных по биологии. Репозиторий содержит последний чекпойнт обучения, global_step_100, преобразованный в формат Transformers; модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров. Модель предназначена для генерации текста и ответов на запросы по биологии. В README приведён лучший результат валидации mean@16 — 53,87% на шаге 90; это результат промежуточной контрольной точки, а не опубликованного чекпойнта, для которого указано итоговое значение 52,62%. Контекст — до 40 960 токенов. Базовая модель Qwen3-8B многоязычная и поддерживает диалог, следование инструкциям, рассуждения, код и вызов инструментов, однако карточка не подтверждает отдельную оценку этих возможностей для данной биологической версии. Лицензия — Apache-2.0.

Solshine/reflection-llama-3.1-8B-Solshine-trainround2-16bit — дообученная Solshine модель семейства Llama 3.1 с 7,5 млрд параметров для генерации текста и диалогов. Она обучена на предыдущем чекпойнте Solshine/reflection-llama-3.1-8B-Solshine-trainround1-16bit с использованием набора Harshkmr/orca-math-word-reflection и техники Reflection Tuning. Модель формирует рассуждение и итоговый ответ в отдельных тегах, а также может помечать самокоррекцию специальным тегом. Модель принимает текст и рассчитана на английские запросы; заявленное контекстное окно — 131 072 токена. Подходит для диалогов и решения математических текстовых задач с пошаговой рефлексией. Веса доступны в формате PyTorch по лицензии Llama 3.1. Разделение ответа на рассуждение и итог не гарантирует правильность результата.

Карточка модели nilgeoutim/RLVR-math на Hugging Face совпадает с карточкой llm-calibration/RLVR-math, поэтому описание составлено по ней. RLVR-math — дообученная модель Qwen/Qwen2.5-3B, подготовленная с помощью TRL и предназначенная для генерации текста в диалоговом формате. Она может использоваться для ответов на вопросы и решения математических задач; карточка демонстрирует запуск через Transformers pipeline на GPU. Базовая Qwen2.5-3B содержит 3,1 млрд параметров. В метаданных указан формат safetensors и возможность chat. Подробности о методе обучения, контекстном окне, поддерживаемых языках и условиях лицензии в предоставленных данных отсутствуют.

SciVision-5B — мультимодальная модель компьютерного зрения и языка, дообученная разработчиком на базе Qwen/Qwen3.5-4B для рассуждений в STEM-задачах и анализа научных диаграмм. Она принимает изображения и текстовые вопросы, а в ответ генерирует текст. Модель предназначена для визуальных математических задач, интерпретации схем и рисунков, ответов на вопросы по изображениям и задач с выбором ответа. В карточке указано около 5 млрд параметров; архитектура унаследована от плотной мультимодальной Qwen3.5. Для дообучения использовались QLoRA с 4-битной NF4-квантизацией и отобранный набор из 20 тысяч примеров на основе MathV360K. Основной язык карточки — английский. По оценке автора, средняя точность на подвыборке из 240 примеров ScienceQA, MathVista и MathVision составила 56,90%; это экспериментальная оценка, а не результат на полных тестовых наборах. Модель может ошибаться, строить неподтверждённые изображением рассуждения и зависит от формата запроса и обработки изображения. Лицензия — Apache-2.0.

Rafflezs/simplificador-mt5 — дообученная модель Google mT5-small для упрощения математических текстовых задач на португальском языке, предназначенных для учеников 5–7-х классов начальной и средней школы. Она разработана в рамках проекта AutoMat(e), где используется как второй этап конвейера: после диагностики текста правилами модель преобразует формулировку задачи. Модель имеет архитектуру encoder-decoder MT5ForConditionalGeneration и содержит 157,4 млн параметров. На вход подаются исходный текст и, если они сформированы диагностическим этапом, маркеры сложности, расплывчатых глаголов и типа структуры; на выходе — упрощённая формулировка на португальском. Обучение проводилось на 1321 паре для обучения и 55 парах для проверки; лучший чекпойнт показал BLEU 30,97 и ROUGE-L 0,5109 на указанном проверочном наборе. Модель рассчитана на узкую образовательную задачу и формат входа с диагностическими маркерами, поэтому эти результаты не характеризуют её качество на произвольных текстах или математических задачах вне указанного школьного диапазона. Лицензия — Apache-2.0.

Skywork-R1V-38B — мультимодальная модель Skywork для диалогового анализа изображений с пошаговым визуальным рассуждением. Она сочетает визуальный энкодер InternViT-6B-448px-V2_5 с языковой моделью DeepSeek-R1-Distill-Qwen-32B; репозиторий содержит веса в формате safetensors и предназначен для работы через Transformers. Модель принимает изображения и текстовые запросы, а отвечает текстом. Карточка заявляет поддержку многошагового решения задач по изображениям, включая визуальную математику, научные и медицинские изображения, а также контекстное понимание текста и изображения. Метаданные отмечают диалоговый режим и интерфейс вызова инструментов. Лицензия репозитория — MIT. Карточка не приводит результаты оценивания в доступном тексте и не уточняет ограничения или поддерживаемые естественные языки, поэтому качество на конкретных типах изображений и языках по этим данным оценить нельзя.

Taiwan-inquiry7Bv1.0 — диалоговая модель на архитектуре Llama, дообученная Джозефом (Чен-Вэй) Ли, ассистентом-исследователем Национальной университетской больницы Тайваня. Она основана на yentinglin/Taiwan-LLM-7B-v2.1-chat и содержит 6,6 млрд параметров; максимальный контекст — 4096 токенов. Модель работает с традиционным китайским языком, в том числе его тайваньским вариантом. Модель предназначена для учебных диалогов по клиническим навыкам и сценариям OSCE: она может играть пациента в беседе с пользователем в роли врача и отвечать с учётом краткой предыстории пациента в системном запросе. Для дообучения использованы 614 реальных диалогов из Национальной университетской больницы Чэн Кун и 101 синтетический диалог, созданные с помощью GPT-3.5 и Gemini Pro. Лицензия — Apache 2.0. Это учебный инструмент для отработки клинического опроса, а не замена медицинского специалиста или проверенного медицинского справочника. Карточка не приводит результатов оценки качества ответов.

Tashkeel Nano 4.5M — компактная модель для расстановки диакритических знаков в арабском тексте, разработанная автором репозитория ahmadsy. Она предсказывает для каждой арабской буквы одну из 15 меток, включая фатху, дамму, касру, сукун, танвин и шадду. Модель использует двунаправленный символьный Transformer-энкодер с 12 слоями и отдельной классификационной головой; в ней около 4,5 млн параметров, размер опубликованных весов fp32 — 17,2 МБ, контекст — 128 токенов. Модель предназначена для автоматической огласовки арабских фраз и текстов. Неарабские символы, цифры и пунктуация сохраняются без изменений. В README приведены результаты на нескольких тестовых наборах, однако часть сравнений ограничена пересечением обучающих и тестовых данных. Карточка обозначает лицензию как research-only и указывает, что коммерческое использование требует отдельной проверки лицензии.

ambrosfitz/tinyllama-history — дообученная разработчиком ambrosfitz чат-модель TinyLlama для генерации текста на исторические темы. Она предназначена для диалоговых ответов и текстовых запросов по истории. Модель использует плотную архитектуру LlamaForCausalLM, содержит 1 млрд параметров и принимает контекст длиной до 2048 токенов. Для дообучения в метаданных перечислены исторические наборы данных ambrosfitz; базовая модель — TinyLlama/TinyLlama-1.1B-Chat-v1.0. Модель доступна в формате safetensors и распространяется по лицензии Apache-2.0. В карточке не приведены результаты оценки качества или подробные сведения о пределах тематического охвата; ответы на исторические вопросы могут требовать проверки по надёжным источникам.

fhswf разработала TrOCR_Math_handwritten — трансформерную модель распознавания рукописных математических формул на изображениях. Это модель типа Vision Encoder-Decoder на базе TrOCR, дообученная на части набора MathWriting, преобразованной из InkML в изображения. Для использования указана библиотека Transformers, веса представлены в формате safetensors; лицензия — AFL-3.0. Модель предназначена для OCR одной математической формулы на изображении: она преобразует изображение с формулой в текстовое представление. В карточке приведены результаты распознавания: 77,8% полностью корректных ответов, 85,7% с не более чем одной ошибкой и 89,9% с не более чем двумя ошибками. Эти показатели относятся к оценке, описанной в карточке.

Vidya 4B — дообученная языковая модель от Saket Nayak на базе Qwen/Qwen3.5-4B. Она создана как учебный ассистент для индийских школьников 6–12 классов, а также для подготовки к экзаменам IIT-JEE и NEET. Модель объясняет темы пошагово, приводит примеры из индийской учебной программы, помогает выявлять и исправлять типичные заблуждения и старается адаптировать объяснение к уровню ученика. Модель предназначена для генерации текста и ориентирована прежде всего на английский язык; поддержка Hindi заявлена, но ограничена. Указана максимальная длина последовательности 4096 токенов. Обучение выполнялось по схеме SFT и DPO на материалах NCERT, экзаменационных заданиях SATHEE и синтетических вопросах и ответах; применялись LoRA, DoRA и rsLoRA. Доступны полная версия в формате safetensors и 4-битная квантованная версия GGUF для Ollama и llama.cpp. По заявленной оценке на 30 примерах модель получила общий результат 4,1 из 5,0, особенно сильные показатели — за пошаговое объяснение, соответствие уровню ученика и работу с заблуждениями. Ограничения включают меньшую фактическую ёмкость по сравнению с 9B-вариантом, возможные ошибки в конкретных фактах NCERT, ограниченную поддержку Hindi и неоптимальность для задач вне индийской образовательной программы. Модель не предназначена для медицинских, юридических или критически важных рекомендаций. Распространяется по лицензии Apache 2.0.

yi-wissenschaft-9B — дообученная nbeerbower модель на основе 01-ai/Yi-1.5-9B-Chat, обученная на текстовой части набора ScienceQA. Модель предназначена для генерации текста в диалоге, прежде всего для ответов на научные вопросы с вариантами ответа. Она использует плотную архитектуру семейства Llama, содержит 8,6 млрд параметров и имеет контекст до 4096 токенов. При дообучении правильные ответы выбирались как предпочтительные, а случайные неправильные — как отклоняемые. Модель опубликована в формате safetensors и распространяется по лицензии Apache-2.0. Данных о поддерживаемых естественных языках в карточке нет.

YuisekinAIEvol-Mistral-7B-ja-math-v0.1 — объединённая модель на базе Mistral-7B-Instruct-v0.2, созданная методом task arithmetic с помощью mergekit. В объединение вошли RakutenAI-7B-chat и OpenMath-Mistral-7B-v0.1; автор репозитория — yuiseki. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; заявленная длина контекста — 32 768 токенов. Модель подходит для ведения диалога и решения математических задач на японском языке. Репозиторий содержит веса в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных сведениях не указана.