IV.5Образование и развитие навыков

Kanana-1.5-15.7B-A3B-Instruct-sftv02 — Kakao Corp.의 Kanana-1.5 기반 한국어 대화 모델로, AI Hub 데이터에 LoRA 방식으로 дообученная и затем объединённая с базовой моделью. Обучение было направлено на повышение стабильности формата ответов в пяти направлениях корейских бенчмарков: KMMLU, CLIcK, HLE, MuSR и Com2-main. Модель использует архитектуру Mixtral MoE, принимает текст и генерирует текст; контекст — до 32 768 токенов, размер репозитория по метаданным — 824,7 млн параметров. Модель подходит для ответов на вопросы и решения задач на корейском языке, включая школьные задания, медицину, финансовые и юридические документы, административные тексты и причинно-следственные рассуждения. В собственных proxy-тестах автор сообщает об улучшениях стабильности ответов относительно базы, но эти результаты не являются официальными баллами K-AI; тест Com2-main использует синтетические варианты ответов. Лицензия указана как other, поэтому условия использования следует сверить с карточкой модели и лицензией базовой модели.

Oliver Sundaram разработал дообученную текстовую модель Llama-3.2-1B-MathCodeInstruct-20k на базе unsloth/Llama-3.2-1B. Это плотная авторегрессионная архитектура LlamaForCausalLM с 1,2 млрд параметров; модель обучена на 20 тыс. примеров набора MathLLMs/MathCodeInstruct и доступна в формате safetensors. Контекстное окно составляет 131 072 токена. Модель предназначена для решения математических текстовых задач с пошаговыми объяснениями на естественном языке и фрагментами исполняемого Python-кода. Она поддерживает генерацию текста и диалоговый интерфейс; в карточке указан английский язык. В сравнении с базовой моделью результат GSM8K вырос с 5,8% до 8,9%, тогда как показатели ARC-Challenge и HellaSwag немного снизились. Это специализированное дообучение, а не универсальный ассистент: обучение проведено за одну эпоху на подмножестве из 20 тыс. примеров, а качество ограничено небольшой базовой моделью. Дополнительное safety-обучение и RLHF не применялись. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория.

MergeBench/Llama-3.2-3B_math — текстовая авторегрессионная языковая модель семейства Llama, опубликованная командой MergeBench для генерации текста с акцентом на математические задачи. Это один из специализированных чекпойнтов, созданных на основе Llama-3.2-3B в рамках набора моделей MergeBench, предназначенного для изучения слияния моделей, дообученных для разных задач. Веса объёмом 3,2 млрд параметров представлены в формате Safetensors и совместимы с Transformers; заявленный контекст составляет 131 072 токена. Модель подходит для генерации решений и объяснений математических задач, а также для текстового дополнения в соответствующих сценариях. Она принимает и выдаёт текст; доступные сведения не устанавливают список поддерживаемых языков. Ключевое ограничение: специализация на математике не гарантирует точность вычислений или решений, а описание репозитория не приводит оценок качества именно этого чекпойнта и условий лицензии.

FrancescoPeriti/Llama3Dictionary-merge — англоязычная диалоговая языковая модель на архитектуре Llama 3, предназначенная для генерации кратких словарных определений с учётом контекста. Пример из карточки показывает запрос на определение значения слова в предложении; модель можно использовать для задач лексической семантики и создания определений. Модель имеет около 7,5 млрд параметров, принимает текст и генерирует текст. Контекстное окно составляет 8192 токена. Репозиторий содержит веса Safetensors и рассчитан на использование через Transformers. Это слияние FrancescoPeriti/Llama3Dictionary и meta-llama/Meta-Llama-3-8B-Instruct; в карточке указано исследование генерации определений и их применения в задачах моделирования значения слов. Модель распространяется по лицензии CC BY-SA 4.0.

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.

weijie210/mistral_gsm8k_sft — дообученная модель Mistral-7B-v0.1 от Mistral AI, опубликованная weijie210. Это плотная авторегрессионная языковая модель с 7,1 млрд параметров, рассчитанная на генерацию текста; карточка также отмечает возможность диалогового взаимодействия. Контекстное окно — до 32 768 токенов. Название репозитория и метка SFT указывают на настройку для решения математических задач GSM8K, однако README не описывает назначение, данные обучения или способы применения подробно. В оценке на тестовой выборке указан loss 0,3771. Модель принимает текст и генерирует текст; поддерживаемые языки отдельно не обозначены. Лицензия — Apache-2.0.

Munin-SkoleGPTOpenOrca-7b-16bit — датская разговорная языковая модель на архитектуре Mistral с 7,1 млрд параметров. Она создана дообучением Munin-7b-alpha от Danish Foundation Models на один проход по набору kobprof/skolegpt-instruct; в README указано, что обучение выполнялось с использованием LoRA. Модель предназначена для генерации текста в диалоговом формате на датском языке, в частности для ответов и инструкций в сценариях, связанных с датским образовательным набором данных SkoleGPT. Заявленная длина контекста — 32 768 токенов; репозиторий содержит веса в формате safetensors. Модель обучалась около четырёх часов на одной видеокарте Nvidia RTX A4000. Лицензия в предоставленных сведениях не обозначена.

NeuralMathChat-7B-V0.2 — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit из Q-bert/MetaMath-Cybertron-Starling и Intel/neural-chat-7b-v3-3. Она предназначена для диалогов и ответов на математические вопросы на английском языке. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст; среди подходящих сценариев — математические вопросы и ответы, а также обычный диалог. Файлы представлены в формате safetensors. Лицензия — Apache-2.0.

zimplex выпустил дообученную версию языковой модели AllenAI Olmo-3-1025-7B для генерации текста с рассуждениями. Модель обучена на наборе Dolci-Think-SFT-7B в течение трёх эпох; размер составляет 6,9 млрд параметров. В README для обучения указан контекст 16 384 токена, тогда как метаданные модели указывают native context в 65 536 токенов. Чекпойнт использует стандартную выходную голову и поддерживает диалоговый режим. Модель предназначена для пошагового решения задач и диалоговой генерации текста. В README приведены результаты оценки: точность 0,540 на math, 0,886 на GSM8K и 0,478 на MMLU-Pro при жадном декодировании; также указаны частые преждевременные остановки и повторы в некоторых тестах. Это результаты конкретного протокола оценки, они не гарантируют такое же качество в других сценариях. Лицензия — Apache-2.0.

Карточка модели menik1126/ovd-math-1-data-full-step600-historical на Hugging Face совпадает с карточкой menik1126/OVD-Math-1-data-FR-Step600-Historical, поэтому описание составлено по ней. menik1126/OVD-Math-1-data-FR-Step600-Historical — чекпойнт исторического эксперимента OVD, опубликованный вместе с весами для инференса и токенизатором. Это дообученная модель Qwen2.5-Math-1.5B с плотной архитектурой Qwen2 и 1,5 млрд параметров; репозиторий помечен как conversational и поддерживает генерацию текста. Модель предназначена для генерации ответов и решений математических задач. Контекст составляет 4096 токенов; указана библиотека Transformers и формат весов safetensors. README обозначает модель как исторический эксперимент с шагом 600 и вариантом «1-data full», поэтому результаты могут отражать промежуточную стадию обучения. Базовая модель описана как англо-китайская математическая модель; отдельные сведения о языках этого чекпойнта и условиях лицензии в предоставленных данных отсутствуют.

Карточка модели menik1126/ovd-math-1-data-hes-step600-historical на Hugging Face совпадает с карточкой menik1126/OVD-Math-1-data-HES-Step600-Historical, поэтому описание составлено по ней. menik1126/OVD-Math-1-data-HES-Step600-Historical — чекпойнт из коллекции OVD, разработанный для исторического эксперимента «1-data hes»; репозиторий содержит веса для инференса и токенизатор. Это дообученная модель Qwen2.5-Math-1.5B с архитектурой Qwen2ForCausalLM и 1,5 млрд параметров. Она предназначена для генерации текста, в том числе решений математических задач; базовая модель рассчитана на английский и китайский языки. Контекст составляет 4096 токенов. README не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Модель dumbequation/Phi-4Garu-telugu-14b — дообученная dumbequation версия Phi-4 от Unsloth для диалоговой генерации текста на телугу. Она предназначена для ответов на инструкции на телугу, включая математические задачи, рассуждения и общие вопросы по STEM. В репозитории указаны 14,1 млрд параметров, контекст до 16 384 токенов и формат весов safetensors. Модель построена на базе unsloth/phi-4 и предназначена прежде всего для общения на телугу; метаданные также содержат английский язык. Лицензия — Apache-2.0. Карточка не приводит результатов оценки качества или подробностей обучения, поэтому практическую точность ответов следует проверять на целевых задачах.

Q3.5-9B-GLM-5.1-v2.0 — экспериментальная модель рассуждений на 9 млрд параметров, разработанная prithivMLmods на базе Qwen/Qwen3.5-9B. Это плотная мультимодальная архитектура Qwen3.5 для диалога и обработки изображений; модель дообучена в несколько этапов на трассах математических, научных и других сложных рассуждений, включая около 1,5 тыс. длинноконтекстных примеров GLM-5.1. Репозиторий использует Transformers и формат safetensors; лицензия — Apache-2.0. Модель предназначена для многошагового решения математических задач, научного анализа, следования инструкциям, экспериментов с длинноконтекстными рассуждениями и локального инференса. Метаданные указывают английский язык карточки; доступен ввод изображений. Модель может ошибаться в промежуточных шагах и выводах, а поведение и качество зависят от охвата обучающих данных; автор отмечает возможные артефакты рассуждений.

QVQ-72B-Preview — экспериментальная модель команды Qwen, дообученная на базе Qwen2-VL-72B для усиления визуального рассуждения. Она принимает текст и изображения и формирует текстовые ответы; предназначена для диалога по изображениям, решения визуальных математических задач и ответов на вопросы, требующие анализа содержимого изображения. Поддерживает английский язык, имеет 71,5 млрд параметров и контекст длиной до 128 000 токенов. В README приведены результаты на мультимодальных тестах MMMU, MathVista и MathVision. Модель рассчитана на диалоги с одним ходом и не поддерживает видеовход. Среди ограничений — возможные переключения между языками, зацикливание рассуждений и галлюцинации при многошаговом анализе изображения; в простом распознавании объектов заметного преимущества перед базовой моделью не заявлено. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели.

Qwen2.5-1.5B-Instruct-QwQ — компактная причинная языковая модель, созданная micaebe дообучением Qwen/Qwen2.5-1.5B-Instruct примерно на 20 тысячах примеров с цепочками рассуждений QwQ-32B-Preview. Для подготовки данных использовались математические задачи из обучающих частей GSM8k и MATH. Модель содержит около 1,5 млрд параметров, использует архитектуру Qwen2 с RoPE, SwiGLU, RMSNorm и групповым запросным вниманием; контекст составляет 32 768 токенов, максимальная длина генерации в описании — 8 192 токена. Модель предназначена для диалоговой генерации текста, решения математических задач и рассуждений общего назначения. По сравнению с исходной Qwen2.5-1.5B-Instruct автор отмечает улучшения в математике и рассуждениях, а также ограниченные способности к самокоррекции. Поддерживает англоязычные запросы; метаданные указывают интерфейс для вызова инструментов. Распространяется в формате safetensors по лицензии Apache-2.0.

Qwen2.5-3B-GRPO-Staleness-2 — дообученная модель zbeeb на базе Qwen/Qwen2.5-3B, финальный полно-параметрический чекпойнт шага 1000. Это плотная авторегрессионная языковая модель семейства Qwen2, содержащая 3,1 млрд параметров; веса сохранены в Safetensors. Модель обучали методом GRPO на 17 005 математических примерах из Staleness GRPO DAPO Math с ограничением возраста обучающих rollout до двух шагов. Проверка награды оценивала математическую эквивалентность конечного ответа. Модель предназначена для генерации ответов на математические задачи и диалогового использования. Карточка сообщает о проверках на MATH-500, AMC, AIME, Minerva и OlympiadBench; результаты в ней названы самоотчётными. Контекст в метаданных составляет 32 768 токенов, однако обучение и приведённые оценки использовали общий контекст до 4 096 токенов, с лимитом завершения до 3 072 токенов в части оценок. Карточка указывает английский и китайский языки. Лицензия обозначена как other, поэтому условия использования следует сверить в репозитории модели.

Карточка модели TAKADOX/Qwen2.5-Math-1.5B на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-1.5B, поэтому описание составлено по ней. Qwen2.5-Math-1.5B — математическая языковая модель семейства Qwen, разработанная командой Qwen. Это базовая модель с плотной архитектурой Qwen2 и 1,5 млрд параметров, дообученная на основе Qwen/Qwen2.5-1.5B. Она генерирует продолжение текста и предназначена прежде всего для решения математических задач на английском и китайском языках с использованием пошаговых рассуждений (CoT); серия также поддерживает рассуждения с подключением инструментов (TIR). Модель рассчитана на завершение текста и few-shot-инференс и может служить отправной точкой для дальнейшего дообучения. Контекст составляет 4096 токенов. Для работы рекомендуется Transformers версии 4.37.0 или новее; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Разработчики не рекомендуют применять модель для задач, отличных от математики. Карточка отдельно указывает, что вариант 1.5B без суффикса Instruct является базовой моделью для completion и few-shot, а не инструкционной моделью для диалога.

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.

Elliott/Qwen2.5-Math-7B-16k-think — разговорная языковая модель на архитектуре Qwen2, основанная на Qwen2.5-Math-7B, которую использует LUFFY в работе «Learning to Reason under Off-Policy Guidance». В репозитории заявлены 7,1 млрд параметров и контекстное окно 16 384 токена. Модель предназначена для генерации текста и диалогов, в частности для рассуждений и решения математических задач. Разработчик изменил параметр RoPE theta с 10 000 до 40 000, расширил контекст до 16k и модифицировал шаблон чата для системного промпта. Модель доступна в формате safetensors и распространяется по лицензии MIT. README не уточняет языковую поддержку и результаты оценки качества.

Это диалоговая языковая модель с архитектурой Qwen2 и 7,1 млрд параметров, дообученная автором репозитория на локальном чекпойнте Qwen2.5-Math-7B-16k. В README указано, что при дообучении использовался датасет qwen25_math_r1_distill_7b_p1024_r15360; название модели также указывает на один цикл обучения, но подробности метода и оценки не приведены. Модель предназначена для генерации текста в чате и, судя по базовой модели и названию датасета, ориентирована на математические рассуждения и ответы. Контекст составляет до 16 384 токенов. Доступны веса в формате safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория; README не приводит дополнительных ограничений или результатов оценки.

Thinking-Space/Qwen3-4B-Base-GRPO — языковая модель семейства Qwen3, разработанная на основе Qwen3-4B-Base и дообученная методом группового относительного policy optimization (GRPO) с использованием фреймворка verl. Это плотная авторегрессионная модель с 3,7 млрд параметров и контекстом 32 768 токенов. Модель предназначена прежде всего для математических рассуждений и решения задач. При обучении использовался набор DAPO-Math-17k-Processed; для проверки упомянуты AIME25, AMC23 и AIME24. Обновлялись все параметры модели, отдельная reward-модель не применялась. Модель принимает текстовые запросы и генерирует текстовые ответы; в метаданных указана поддержка английского и китайского языков. Лицензия указана как other, поэтому перед использованием следует проверить условия в карточке репозитория. Хотя модель рассчитана на математические задачи, карточка не приводит численных оценок качества; результаты могут зависеть от формулировки задачи и не гарантируют правильность решения.

SeongryongJung/Qwen3-4B-Chemistry-SRPO-TR — экспериментальный чекпойнт Qwen3-4B, обученный методом SRPO-TR на наборе Chemistry с размером пакета 32. В репозитории находится лучший и одновременно финальный чекпойнт global_step_100, выбранный по валидационному показателю mean@16; для него указано значение 76,61%. Модель предназначена для генерации текста и решения задач по химии, в том числе для ответов на химические вопросы и рассуждений в этой области. Это плотная авторегрессионная языковая модель архитектуры Qwen3ForCausalLM примерно на 3,7 млрд параметров, с контекстом до 40 960 токенов; файлы представлены в формате safetensors и используются через Transformers. Базовая модель — Qwen/Qwen3-4B. Лицензия Apache-2.0. Результат mean@16 относится к указанной в карточке валидации и не гарантирует качество на других данных; подробности покрытия химических тем и поддерживаемых языков не приведены.

Это промежуточный чекпойнт модели Qwen3-8B-Base, дообученный методом supervised fine-tuning на математических диалогах из набора OpenThoughts3 Math. Модель разработана автором репозитория seomh; в карточке указано, что это шаг 250 из запланированных 2000, веса представлены в bf16. Архитектура — плотная авторегрессионная Qwen3ForCausalLM примерно на 7,6 млрд параметров, контекст — до 32 768 токенов. Чекпойнт предназначен для генерации ответов с пошаговыми математическими рассуждениями и заключительным ответом в формате \boxed{}. Для обучения использованы 103 760 двухходовых диалогов; применяется обычный шаблон ChatML без встроенной логики режима размышления. Модель не оценивалась, поэтому качество и готовность к практическому использованию не подтверждены. Лицензия — Apache-2.0.

SeongryongJung/qwen3-8b-physics-srpo-ema005 — контрольная точка модели Qwen3-8B, дообученной методом SRPO на задаче физики; репозиторий содержит последний чекпойнт обучения global_step_100 в формате Transformers. Модель имеет плотную архитектуру Qwen3ForCausalLM и 7,6 млрд параметров, принимает текст и генерирует текст. Метаданные указывают контекст до 40 960 токенов; базовая модель Qwen3-8B предназначена для многоязычного диалога, рассуждений, следования инструкциям, кода и вызова инструментов. Чекпойнт ориентирован на решение задач по физике с помощью генерации и рассуждений. В карточке приведена лучшая валидационная метрика mean@16 — 71,33% на шаге 40, но загружен последний чекпойнт, для которого указано итоговое значение 56,64%; лучший промежуточный чекпойнт в репозитории не опубликован. Лицензия — Apache-2.0.

nabin2004 разработал qwen-Manimator-1-grpo-merged — полноразмерную объединённую модель на базе Qwen3-8B, дообученную для генерации анимаций с помощью Manim Community Edition (ManimCE). Это плотная языковая модель с архитектурой Qwen3ForCausalLM, примерно 7,6 млрд параметров, принимающая текстовые запросы и генерирующая текст, в частности код ManimCE. В карточке указана длина контекста 40 960 токенов; модель рассчитана на английский язык. Модель предназначена для создания сценариев анимации и кода ManimCE по текстовому описанию. Опубликована в формате Safetensors с весами bfloat16/float16; README также указывает на отдельные репозитории LoRA-адаптера и квантизированной GGUF-версии. Базовая лицензия — Apache-2.0. Для запуска автор приводит пример развертывания через vLLM, задающий максимальную длину контекста 32 768 токенов. Специализация на ManimCE делает модель полезной для создания математических и обучающих визуализаций, но карточка не сообщает о проверенных показателях качества или ограничениях генерации. Результат следует проверять и запускать в совместимом окружении ManimCE.

Qwopus3.6-27B-v4 — мультимодальная модель на 27 млрд параметров, разработанная skiboyvv на основе Qwen3.6-27B. Она дообучена методом supervised fine-tuning на корпусе из 28 тысяч примеров с цепочками рассуждений, охватывающих математику, естественные науки, программирование и логические задачи. Обучение шло поэтапно: от коротких цепочек рассуждений к длинным, вплоть до 32 768 токенов в учебных примерах. Модель предназначена прежде всего для конкурсной математики, научных задач и пошагового решения сложных проблем. Она принимает текст и изображения и выдаёт текст; карточка указывает поддержку чата и обработки изображений. По данным README, на AIME 2025 результат вырос относительно базовой модели, но показатели на HMMT 2025 и GPQA Diamond снизились. Автор также отмечает ухудшение следования общим инструкциям, поэтому модель не рекомендуется как универсальная замена исходной. Лицензия — Apache-2.0.

RaDeR_Qwen25_3B_NuminaMath_MATH_allquerytypes — плотный ретривер для поиска документов по математическим запросам, разработанный CIIR при Университете Массачусетса в Амхерсте. Модель дообучена на Qwen/Qwen2.5-3B-Instruct на данных NuminaMath и MATH, подготовленных для retrieval и включающих разные типы запросов. Модель предназначена для построения эмбеддингов запросов и документов и их последующего сопоставления в системах поиска. В карточке сообщается, что ретриверы RaDeR, обученные математическому рассуждению, обобщаются на другие задачи поиска с рассуждениями и показывают результаты выше сильных базовых методов на BRIGHT и RAR-b. Архитектура — плотная Qwen2, размер — 3,1 млрд параметров, контекст — до 32 768 токенов; вход и выход — текст и векторные представления. Указана поддержка английского языка. Для запуска в карточке предлагается vLLM в режиме эмбеддингов с нормализацией векторов. Лицензия — MIT. Модель специализируется на математическом и reasoning-поиске; результаты на иных типах данных могут отличаться.

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.

Skywork-OR1-Math-7B-GGUF — набор GGUF-квантизаций математической reasoning-модели Skywork-OR1-Math-7B, разработанной командой Skywork в рамках серии Skywork Open Reasoner 1. Исходная модель дообучена на базе DeepSeek-R1-Distill-Qwen-7B с применением крупномасштабного обучения с подкреплением на основе правил, используя 110 тысяч проверяемых математических задач и 14 тысяч вопросов по программированию. Модель предназначена прежде всего для решения математических задач, пошагового рассуждения и ответов на вопросы по программированию. Она относится к текстовым моделям генерации, поддерживает английский язык и доступна в вариантах с квантизацией от 2 до 16 бит, размером примерно от 2,9 до 15,3 ГБ. В репозитории не указаны точный размер контекста и дополнительные модальности. Для запуска подходят llama.cpp, llama-cpp-python, LM Studio и Ollama. Сильной стороной модели является специализация на математическом рассуждении: заявлены результаты 69,8 на AIME24 и 52,3 на AIME25, превосходящие приведённые сопоставимые модели того же размера. Разные уровни квантизации позволяют выбирать между качеством и требованиями к памяти; рекомендуемым балансом названа версия Q5_K_M. При снижении разрядности возрастает компромисс между размером, требованиями к VRAM и качеством ответов. Лицензия указана как Qwen License, при этом в метаданных репозитория также обозначено значение license: other.

Uni-MuMER-Qwen3-VL-2B — модель phxember, дообученная на базе Qwen/Qwen3-VL-2B-Instruct для распознавания рукописных математических выражений. Она принимает изображение с формулой и преобразует его в LaTeX. Архитектура Qwen3-VL объединяет визуальный энкодер ViT и языковую модель; размер модели — 2,1 млрд параметров. Дообучение Uni-MuMER объединяет основную задачу распознавания с тремя вспомогательными задачами: Tree-CoT, обучением на основе ошибок и подсчётом символов. В README приведены результаты на наборах CROHME 2014, 2016 и 2019: точное совпадение составило 83,27%, 78,55% и 79,40% соответственно. Модель рассчитана на обработку изображений рукописных формул и генерацию их текстового представления в LaTeX. Модель распространяется под лицензией Apache-2.0. Для запуска README описывает использование Transformers и vLLM; в примере для vLLM указан предел длины контекста 2048 токенов. Результаты опубликованы для ограниченного набора тестов CROHME и не гарантируют такую же точность на других типах почерка, изображениях или формулах.