IV.5Образование и развитие навыков

Qwen2.5-Math-7B-Instruct-GGUF — это квантизированная в формате GGUF версия модели Qwen2.5-Math-7B-Instruct, разработанной командой Qwen. Файл подготовлен сообществом LM Studio, а GGUF-квантизация выполнена bartowski на основе llama.cpp b3772; LM Studio не является создателем модели. Модель предназначена для генерации текста и решения математических задач на английском языке. Она поддерживает пошаговое рассуждение Chain-of-Thought (CoT) и Tool-integrated Reasoning (TIR), поэтому подходит для математического анализа, объяснения хода решения и сценариев, где требуется интеграция с инструментами. Указанный стандартный размер контекста составляет 4096 токенов. Ключевые характеристики включают размер 7B параметров, текстовую модальность и англоязычную специализацию. Сильными сторонами являются ориентация на математическое рассуждение и возможность инструментально поддерживаемого решения задач. Ограничениями выступают контекст в 4096 токенов и потенциальные ошибки, неточности или неподходящие ответы, свойственные генеративным моделям; сведения о конкретном методе квантизации и поддерживаемых дополнительных языках не указаны. Модель распространяется по лицензии Apache 2.0.

SeongryongJung/qwen3-4b-physics-srpo-ema005 — контрольная точка языковой модели Qwen3-4B, дообученной методом SRPO на наборе задач по физике. В репозитории опубликован последний чекпойнт обучения global_step_100 в формате Transformers; базовая модель — Qwen/Qwen3-4B, архитектура — плотная авторегрессионная Qwen3ForCausalLM с 3,7 млрд параметров и контекстом до 40 960 токенов. Модель предназначена для генерации текста и решения задач по физике. В README приведён лучший результат проверки mean@16 — 72,66% на шаге 60, полученный при выборке из 16 ответов; это не результат опубликованного последнего чекпойнта, для которого итоговый mean@16 составил 68,52%. Использование предполагает Transformers. Модель распространяется по лицензии Apache-2.0.

willamazon1/Qwen3-8B-SDFT-Math-LoRA-pristine — плотная авторегрессионная модель семейства Qwen3, созданная дообучением Qwen/Qwen3-8B-Base. Это слитый чекпойнт в формате bf16: веса LoRA встроены в базовые матрицы, поэтому отдельная загрузка адаптера PEFT не требуется. Модель содержит 7,6 млрд параметров по метаданным и поддерживает контекст до 32 768 токенов. Модель предназначена прежде всего для генерации текста с рассуждениями при решении математических задач. Дообучение включало SFT на примерах по математике, QA с поиском и диалогах с использованием инструментов, а затем GRPO-обучение на математических задачах с проверяемой наградой за ответ. Карточка отмечает интерфейс для чата и вызова инструментов. В опубликованной оценке этап RL не показал измеримого улучшения pass@1 на обучающей выборке; модель следует рассматривать как SFT-модель с небольшим, не ухудшающим результат RL-изменением. Ответы по математике могут быть неверными, поэтому их следует проверять; также наследуются смещения и ограничения знаний базовой модели. Лицензия — Apache-2.0.

Карточка модели nilgeoutim/RLCR-lr1e-6-math на Hugging Face совпадает с карточкой llm-calibration/RLCR-lr1e-6-math, поэтому описание составлено по ней. RLCR-lr1e-6-math — дообученная модель генерации текста на базе Qwen/Qwen2.5-3B, обученная с помощью TRL. Она предназначена для диалоговой генерации ответов и может применяться для математических вопросов и рассуждений; название модели указывает на математическую настройку, но карточка не описывает её методику или результаты оценки. Модель доступна в формате safetensors и использует библиотеку Transformers. Лицензия в предоставленных данных не указана.

s1-32B — модель для генерации текста с упором на пошаговые рассуждения, разработанная SimpleScaling. Это дообученная версия Qwen2.5-32B-Instruct на наборе из 1 000 примеров s1K. Модель построена на плотной архитектуре Qwen2 и содержит 32 млрд параметров; максимальная длина контекста — 32 768 токенов. Модель предназначена для диалогов и задач, где полезны развёрнутые рассуждения, включая решение математических задач. В README приводятся результаты на AIME 2024 и AIME 2025; часть оценок получена с помощью budget forcing — многократного продолжения рассуждения после маркера его завершения. Карточка рекомендует более производительную преемницу s1.1. Модель принимает и выдаёт текст. README не сообщает поддерживаемые естественные языки. Файлы опубликованы в формате safetensors. Лицензия — Apache-2.0.

Symbiotic-8B — модель для генерации текста на базе Qwen3-8B, опубликованная Convergent Intelligence LLC: Research Division. В карточке заявлены диалог, символьные рассуждения, логические цепочки, генерация теорем и работа с математическими доказательствами и кодом. Модель дообучена на Qwen3-8B; архитектура в метаданных обозначена как плотная Qwen3ForCausalLM. Репозиторий содержит веса Safetensors, а библиотека для работы с моделью — Transformers. Размер составляет 7,6 млрд параметров, длина контекста — 40 960 токенов. В README также описаны символьные модули и буфер памяти на 2 048 векторов, предназначенные для сохранения контекста между ходами диалога. Карточка указывает английский язык и датасет Advanced Calculus; модель можно использовать для математических рассуждений, логических задач и контекстно-зависимого диалога. README предупреждает, что модель не настроена на инструкции, поэтому для диалоговых запросов может потребоваться подбор промптов; символьная память требует заполнения, а её буфер может немного повышать нагрузку на CPU. Лицензия — AFL-3.0.

Huseyin разработал эту модель для конкурса TEKNOFEST 2025 по турецкой большой языковой модели для обучения через действия. Это дообучение Qwen/Qwen3-8B с LoRA Adapter, предназначенное для образовательных технологий и генерации текста на турецком языке. Модель содержит 8,5 млрд параметров, построена на архитектуре Qwen2ForCausalLM и поддерживает контекст до 32 768 токенов. Её можно использовать для генерации рекомендаций и учебного текста на турецком языке. Репозиторий содержит веса Safetensors и помечен тегом 8-bit; лицензия — Apache 2.0.

Hukyl/trocr-base-rukopys-formula — модель распознавания рукописных математических выражений в украинских документах, разработанная Hukyl. Она принимает изображение обрезанной области с формулой и преобразует его в нормализованный текст по соглашениям набора Rukopys; предполагается, что области формул заранее выделены детектором разметки страницы. Модель основана на TrOCR-base с архитектурой VisionEncoderDecoderModel: визуальный энкодер ViT-B/16 обрабатывает изображения с разрешением 384 пикселя, а декодер формирует текст. Размер — около 334 млн параметров. Вывод может содержать Unicode-символы, дроби через косую черту, кириллицу и структурные команды LaTeX для двумерных записей. Модель дообучена на формульных фрагментах Rukopys после последовательного обучения на HME100K, CROHME и синтетических формулах. Предназначена для распознавания школьной математики, химических записей и арифметики с единицами измерения в рукописных украинских документах. На указанном crop-level валидационном разбиении Rukopys CER составил 0,2079, WER — 0,4455; оценка может быть оптимистичной, поскольку фрагменты одной страницы и автора могли попасть и в обучение, и в валидацию. Результат является нормализованным текстом формулы, а не точной транскрипцией LaTeX. Ожидается снижение качества на других письменностях, печатной математике и типографском вводе. Для Rukopys указана лицензия CC BY 4.0; лицензии HME100K и CROHME в карточке не приведены, а базовая модель не заявляет явную лицензию, поэтому условия распространения производных весов следует проверять отдельно.

UwU-14B-Math-v0.2 — языковая модель на 14 млрд параметров, разработанная qingy2024. Это дообученная версия Qwen 2.5-14B на ответах QwQ 32B Preview на вопросы из набора NuminaMathCoT; модель использует архитектуру Qwen2ForCausalLM и формат диалогов ChatML. Она предназначена для генерации текста, прежде всего для решения математических задач и пошаговых рассуждений на английском языке. Размер контекста составляет до 131 072 токенов. Обучение остановили на 500 шагах, когда функция потерь перестала заметно снижаться, чтобы избежать чрезмерного переобучения. Модель распространяется по лицензии Apache 2.0. Качество решения задач и точность рассуждений в карточке не оценены; обучение на ограниченном наборе математических примеров может сказываться на обобщении.

omlab/VLM-R1-Qwen2.5VL-3B-Math-0305 — дообученная модель на архитектуре Qwen2.5-VL-3B с применением обучения с подкреплением VLM-R1 и ориентацией на математические задачи с визуальным содержимым. Она принимает изображения вместе с текстовыми вопросами и формирует ответы на естественном языке; заявленные обучающие наборы включают MathVista и MathVerse. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VLForConditionalGeneration и формат safetensors. Родительская модель поддерживает контекст до 128 000 токенов. Модель предназначена для визуальных математических вопросов, например анализа графиков, схем и задач на изображениях. В метаданных указан английский язык. Лицензия — Apache-2.0. README не приводит результатов оценки качества или подробностей об ограничениях, поэтому точность на конкретных типах задач по имеющимся сведениям оценить нельзя.

Arabic Phoneme ASR v2 — модель распознавания арабской речи на уровне фонем, разработанная на основе facebook/wav2vec2-large-xlsr-53. Это архитектура Wav2Vec2ForCTC с 402,7 млн параметров, дообученная методом CTC на корпусах арабской речи и чтения Корана; аудио приводится к частоте 16 кГц. Модель выдаёт фонемы в схеме Halabi, а не арабское написание, и предназначена для анализа произношения, в том числе с принудительным выравниванием или GOP-оценкой относительно ожидаемой последовательности фонем. Модель подходит для распознавания фонем в литературном арабском и коранической рецитации. В тестировании на наборе из 800 примеров указана частота ошибок по фонемам PER 14,42%; в ошибках чаще всего встречаются короткие гласные и неточности на границах. Лицензия — Apache-2.0. Диалектная и спонтанная речь может заметно отличаться от обучающих данных; часть аудио IqraEval синтезирована, а жадное CTC-декодирование иногда повторяет токены на концах записей.

Это модель автоматического распознавания речи на основе wav2vec 2.0 XLS-R, дообученная slplab на фонетически сбалансированном корпусе чтения носителей корейского языка. Архитектура — Wav2Vec2ForCTC; в метаданных указано 402,7 млн параметров. Модель принимает аудио и выдаёт текстовую последовательность фонем корейской речи. Для обучения использовано 108 часов аудио из 54 000 записей 540 дикторов; оценка проводилась на 12 часах аудио из 6 000 записей 60 дикторов того же корпуса. В README указан Phone Error Rate 3,88%. Модель может применяться для фонетической транскрипции корейской речи и анализа произношения, в том числе ошибок изучающих корейский как второй язык. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Оценка относится к указанному корпусу чтения; качество на спонтанной речи, других условиях записи и иных языках по приведённым данным не установлено. Модель ориентирована на фонемную транскрипцию, поэтому её вывод не следует трактовать как обычную орфографическую транскрипцию без соответствующей обработки.

AceMath-7B-Instruct — языковая модель NVIDIA для решения математических задач на английском языке. Она основана на архитектуре Qwen2 и содержит 7,1 млрд параметров; модель обучена в несколько этапов: сначала на данных общего инструкционного обучения, затем на специализированных математических данных. Для ответов используется рассуждение по цепочке мыслей (Chain-of-Thought). Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. Модель предназначена прежде всего для решения математических задач и пошагового вывода. NVIDIA сообщает о результатах, превосходящих Qwen2.5-Math-7B-Instruct на ряде математических тестов. Карточка рекомендует использовать семейство AceMath именно для математики, поэтому пригодность для других задач не заявлена. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

AmberYifan/capsd-qwen3-numina-Qwen3-4B-Base-math_ppl_b8000_s0 — дообученная плотная языковая модель семейства Qwen3, созданная на основе Qwen/Qwen3-4B-Base. В модели около 3,7 млрд параметров, архитектура — Qwen3ForCausalLM, контекст — до 32 768 токенов; для работы используются Transformers и файлы safetensors. Модель предназначена для генерации текста. В качестве обучающих данных указан набор capsd_Qwen3-4B-Base-n80000-numina__mix_math_ppl_b8000_s0, что указывает на математическую направленность дообучения; возможны генерация решений и объяснений математических задач. README не приводит оценок качества или подробностей об ограничениях. Лицензия обозначена как other, поэтому условия использования следует уточнять в карточке модели и у правообладателя.

FastConformer-Quran — модель автоматического распознавания речи для чтения Корана на арабском языке, разработанная Muno459 на базе NVIDIA stt_ar_fastconformer_hybrid_large_pcd_v1.0. Модель ориентирована на риваят Hafs и дополнена многосигнальной системой обнаружения ошибок произношения и таджвида. Она предназначена для транскрибации коранической рецитации, проверки чтения и создания приложений для обучения и контроля произношения. Это офлайн-модель FastConformer для обработки полной аудиозаписи с использованием полного контекста. Заявлена поддержка интеграции в iOS через сопутствующие версии CoreML. В README указаны арабский язык, аудиомодальность и результаты на датасетах EveryAyah, tlog и Muaalem Annotated. На leakage-free бенчмарке из 600 клипов модель показала общий WER 5,41% и CER 2,96%, а на записях чтецов, отсутствовавших в обучении, — WER 0,93%. Для обнаружения ошибок произношения заявлены около 80% чувствительности при FPR около 9%. Сильные стороны модели — высокая точность на коранической рецитации, устойчивость к ранее не встречавшимся чтецам и улучшенная работа с записями с телефонных микрофонов по сравнению с указанными базовыми моделями. Ограничение заключается в том, что представленная версия является офлайн-моделью и не предназначена для потоковой обработки с низкой задержкой; для этого существует отдельная streaming-версия. Приведённые результаты относятся к конкретному бенчмарку и нормализованным текстам, поэтому не описывают качество на произвольной арабской речи. Лицензия указана как NPL-1.1.

FastConformer Quran Arabic ASR — дообученная NVIDIA модель для распознавания чтения Корана на арабском языке. Она предназначена для расшифровки и проверки чтения, приложений для изучения таджвида, определения аята по аудио и сравнения чтения с текстом аята. Модель основана на nvidia/stt_ar_fastconformer_hybrid_large_pcd_v1.0 и использует архитектуру FastConformer-Large EncDecHybridRNNTCTCBPE; в ней 114,6 млн параметров. Поддерживаются офлайн-распознавание с полным контекстом и потоковая обработка с кэшированием. На валидационной выборке tarteel-ai/everyayah автор сообщает WER 0,14%. Модель оптимизирована для чтения Корана и может заметно хуже распознавать современный литературный и диалектный арабский. Наилучшие результаты ожидаются для чистой речи одного чтеца с частотой 16 кГц; потоковый режим добавляет около 1,6 секунды задержки на фрагмент. Лицензия — CC BY 4.0.

Модель onlysainaa/gemma3-12b-unsloth-finetuned — дообученная текстовая чат-модель семейства Gemma 3, созданная автором репозитория на базе unsloth/gemma-3-12b-it-unsloth-bnb-4bit с использованием Unsloth и Hugging Face TRL. Она предназначена для генерации текста и диалогов; в карточке указан датасет onlysainaa/integralmn-algebra, поэтому модель ориентирована на задачи алгебры на монгольском языке. Модель имеет плотную архитектуру Gemma3ForCausalLM и 11,6 млрд параметров, принимает текст и поддерживает контекст до 131072 токенов. Лицензия — Apache-2.0. Карточка не приводит оценок качества; ответы по алгебре и на монгольском языке следует проверять, а возможности могут зависеть от сохранённой версии весов и используемого формата.

Это дообученная модель классификации текста на базе индонезийской BERT-модели indolem/indobert-base-uncased. По названию она предназначена для оценки релевантности вопросов с вариантами ответа KISI для индонезийской аудитории. Модель построена на архитектуре BERT и содержит 137,8 млн параметров; максимальная длина контекста — 512 токенов. В карточке приведены результаты оценки на тестовом наборе: MSE 0,0242, RMSE 0,1555 и MAE 0,0803. Описание набора данных, способ применения и ограничения не раскрыты. Модель распространяется по лицензии MIT.

InternLM2-WQX-VL-20B — мультимодальная модель серии 文曲星, выпущенная командой InternLM в 2024 году перед вступительными экзаменами в вузы Китая. Она предназначена для решения учебных задач и вопросов по разным школьным дисциплинам; в README заявлены высокие результаты на тестовом наборе GAOKAO-Eval, сопоставимые с GPT-4o. Модель основана на плотной архитектуре InternLM2 с классом InternLM2ForCausalLM и содержит 19,3 млрд параметров. Репозиторий содержит веса PyTorch и компонент CLIP, а метаданные указывают поддержку чата и контекст до 32 768 токенов. Название VL и компонент CLIP указывают на визуальную составляющую, однако README не описывает конкретные возможности обработки изображений, поэтому в поисковых полях отражена только подтверждённая текстовая задача. Метаданные автора задают задачу feature-extraction, тогда как классификатор каталога определяет text-generation; модель также обозначена как поддерживающая генерацию текста. README не сообщает лицензию и подробности подготовки данных, поэтому условия использования и точность заявленных результатов оценить по предоставленным сведениям нельзя.

K2-Think — плотная языковая модель с 32 млрд параметров, дообученная на базе Qwen/Qwen2.5-32B и опубликованная IFM. Она предназначена для генерации текста и диалогов с упором на рассуждения и решение сложных математических задач; в карточке приведены результаты на AIME 2024, AIME 2025 и HMMT 2025. Модель принимает текстовые запросы и формирует текстовые ответы, поддерживает контекст до 131 072 токенов и рассчитана на английский язык. Модель доступна в формате Safetensors и используется через Transformers. Разработчики сообщают о развёртывании на Cerebras WSE с ускорением инференса, но это не характеристика весов, необходимая для обычного запуска. Как и другие большие языковые модели, K2-Think может выдавать неточные, вводящие в заблуждение или предвзятые ответы. Лицензия в метаданных — Apache-2.0; карточка также запрещает незаконное и вредоносное использование и предоставляет модель без гарантий.

LeerooDedicated-Math-7b — специализированная на математике модель Leeroo на базе Mistral с плотной архитектурой и 7,1 млрд параметров. В README описан подход Orchestration of Experts: оркестратор оценивает, может ли базовая модель решить задачу, и передаёт генерацию базовой модели-эксперту, если задача ей по силам. Для более сложных вопросов модель выдаёт специальный токен, сигнализирующий о необходимости обратиться к GPT-4 или другой сильной LLM; для получения полного ответа можно подключить OpenAI API. Модель предназначена для генерации решений математических задач. В оценке GSM8K, приведённой в README, она достигла точности 84,77% в режиме 5-shot, используя GPT-4 примерно для половины вопросов; это результат сценария с привлечением внешней модели, а не автономной работы одного чекпойнта. Размер родительского контекстного окна — 32 768 токенов. Веса опубликованы в формате safetensors. README не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

LittleLearner 1.3B Chatty — разговорная модель семейства Qwen3, разработанная в рамках исследования LittleLearner. Она предназначена для диалога, выполнения инструкций и решения задач уровня K–5, включая математические задачи с пошаговым рассуждением. Обучение на корпусе, отфильтрованном по материалам начальной школы США, задаёт ограниченную область знаний; поведенческая донастройка добавляет общий чат, идентичность модели и управление форматом ответа. Модель имеет плотную архитектуру Qwen3ForCausalLM и около 1,4 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык и контекст до 4096 токенов. В оценке MathCAMPS показала pass@1 24,0 и pass@64 67,3; в поведенческих пробах лучше следовала инструкциям о формате ответа, заданным системным сообщением, чем инструкциям в пользовательском сообщении. Лицензия указана как other, поэтому перед использованием следует проверить условия в репозитории модели.

Trelis/Llama-3.2-1B-Instruct-MATH — языковая модель Trelis для генерации текста и ответов в формате чата, дообученная на математических данных на основе Trelis/Llama-3.2-1B-Instruct-MATH-synthetic. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и примерно 1,2 млрд параметров; она принимает текст и выдаёт текст. Карточка указывает окно контекста до 131072 токенов и английский язык. При обучении использовались Unsloth и Hugging Face TRL. Модель предназначена для генерации ответов на математические запросы и других сценариев генерации текста, поддерживаемых базовой инструктивной моделью. Метаданные также отмечают интерфейс для вызова инструментов, но README не описывает его поведение или качество. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели TIGER-Lab/MAmmoTH2-7B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH2-8B-Plus, поэтому описание составлено по ней. MAmmoTH2-8B-Plus — языковая модель TIGER-Lab на архитектуре Llama 3, дообученная методом instruction tuning для улучшения рассуждений и диалоговых ответов. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, включая школьные текстовые задачи и открытые задачи по математике, а также для ответов на инструкции и общих диалоговых сценариев. Разработчики сообщают об обучении на собранных из веб-корпуса инструкциях и дополнительном дообучении на открытых наборах инструкций; заявлена оценка на математических и общих тестах рассуждения. Основной язык модели — английский. Модель работает с текстом и выдаёт текст. В README отмечено, что качество может зависеть от сложности и специфики задачи, а математические области покрыты не полностью. Лицензия — MIT.

QuantFactory/MAmmoTH2-7B-GGUF — квантизированная версия модели TIGER-Lab/MAmmoTH2-7B, созданная QuantFactory с использованием llama.cpp. Базой служит Mistral; модель предназначена для генерации текста и улучшения способностей больших языковых моделей к рассуждениям благодаря дообучению на инструкциях. Указанный разработчиком датасет — TIGER-Lab/WebInstructSub, сформированный из веб-корпуса и содержащий крупный набор пар «инструкция–ответ». Модель ориентирована прежде всего на решение математических задач, ответы на открытые и тестовые вопросы, а также общие сценарии, требующие пошагового рассуждения. Она поддерживает английский язык и работает в текстовой модальности. Размер исходной модели — 7B параметров; формат GGUF предназначен для использования с llama.cpp и совместимыми инструментами. Точный размер контекстного окна и конкретный метод квантизации в README не указаны. Сильная сторона модели — заметное улучшение результатов на наборах математических и reasoning-задач по сравнению с базовой Mistral 7B: для MAmmoTH2-7B заявлены 36,7% на MATH и 68,4% на GSM8K, а средний результат по приведённому набору бенчмарков составляет 52,7%. Ограничения включают зависимость качества от сложности и формулировки задачи и неполное покрытие различных областей математики. Модель распространяется по лицензии MIT.

Карточка модели TIGER-Lab/MAmmoTH2-8B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH2-8B-Plus, поэтому описание составлено по ней. MAmmoTH2-8B-Plus — языковая модель TIGER-Lab на архитектуре Llama 3, дообученная методом instruction tuning для улучшения рассуждений и диалоговых ответов. Модель содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Она предназначена для решения математических задач, включая школьные текстовые задачи и открытые задачи по математике, а также для ответов на инструкции и общих диалоговых сценариев. Разработчики сообщают об обучении на собранных из веб-корпуса инструкциях и дополнительном дообучении на открытых наборах инструкций; заявлена оценка на математических и общих тестах рассуждения. Основной язык модели — английский. Модель работает с текстом и выдаёт текст. В README отмечено, что качество может зависеть от сложности и специфики задачи, а математические области покрыты не полностью. Лицензия — MIT.

Merlyn-education-safety — плотная авторегрессионная модель семейства GPT-NeoX на 15,4 млрд параметров, дообученная Merlyn Mind на базе EleutherAI/pythia-12b для образовательной сферы. Она классифицирует запросы как уместные или неуместные для обсуждения в классе и предназначена для включения в состав образовательного ИИ-ассистента. Модель принимает текст и генерирует текстовый ответ; указанный контекст составляет 2048 токенов. Модель рассчитана на сценарии обучения в классе и вне его. Для запуска в полной точности требуется более 48 ГБ памяти GPU; в README упоминаются A100-80GB, несколько GPU или снижение точности. Лицензия — Apache-2.0.

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.

feeltheAGI/mistral-maths7B — языковая модель для генерации текста, основанная на архитектуре Mistral с 7,1 млрд параметров. Модель обучалась с использованием набора задач по математическим текстовым задачам Microsoft Orca Math Word Problems 200k и предназначена для диалогового взаимодействия и генерации ответов на математические вопросы. Модель принимает текст и выдаёт текст; указанный контекст составляет 32 768 токенов. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Карточка README помечена как требующая обновления и приводит только результаты бенчмарка HellaSwag, поэтому подробные характеристики математических навыков и качество ответов не подтверждены.

NuminaMath 72B CoT — языковая модель для решения математических задач, разработанная командой AI-MO. Это плотная авторегрессионная модель семейства Qwen2 с 71,5 млрд параметров, дообученная на датасете AI-MO/NuminaMath-CoT, содержащем более 860 тысяч пар задач и решений. Модель обучена генерировать решения с рассуждениями по шагам (Chain of Thought); эта версия соответствует первому этапу обучения серии NuminaMath. Модель предназначена для решения задач математических соревнований и генерации подробных решений на английском языке. Её можно использовать для разбора условий, построения пошагового решения и помощи в подготовке к соревнованиям. Контекстное окно составляет 131 072 токена. Лицензия указана как Tongyi Qianwen. По данным карточки, при жадном декодировании модель решает задачи уровня AMC 12, но часто затрудняется с задачами AIME и математических олимпиад. Она также слабо справляется с геометрией и не предназначена для общего диалога; модель работает с текстом и не принимает изображения.