IV.5Образование и развитие навыков

mehuldamani/big-math-digits-v2-correctness — дообученная модель Qwen2.5-7B, созданная с использованием TRL. Это плотная авторегрессионная языковая модель на 7,1 млрд параметров для генерации текста; карточка показывает запуск через Transformers в режиме диалога. Название указывает на настройку для решения математических задач с упором на правильность, однако README не описывает обучающие данные, методику оценки или подтверждённое качество на математических тестах. Модель принимает текст и генерирует текст. Заявленная базовая модель поддерживает контекст до 131 072 токенов; репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана, поэтому условия использования определить нельзя.

DeepSeekMath 7B Base — базовая текстовая модель семейства DeepSeekMath, разработанная DeepSeek AI для генерации текста, в том числе для математических задач. Это плотная авторегрессионная архитектура Llama с 6,5 млрд параметров и контекстом до 4096 токенов. Репозиторий содержит веса PyTorch; в метаданных указана лицензия other. Карточка модели не раскрывает подробности обучения и не приводит конкретных ограничений качества, поэтому пригодность для специализированных математических сценариев следует оценивать на целевых задачах.

DeltaP2S-Llama2-13B-DeltaP2S-MetaMath-S13 — объединённый чекпойнт, полученный в эксперименте Delta-P2S. В README указана обучающая база `./runs/metamath_llama_SameFormula-S13/init/delta_p2s` и каталог обучения `./runs/metamath_llama_SameFormula-S13/train/delta_p2s`; точный идентификатор исходной модели по этим путям установить нельзя. Модель построена на архитектуре Llama и содержит 12,9 млрд параметров. Она предназначена для генерации текста; название и сведения о каталоге указывают на математическую направленность MetaMath, поэтому вероятный сценарий — генерация решений и объяснений математических задач. Контекст составляет 4096 токенов, веса представлены в формате safetensors. Чекпойнт создан в рамках эксперимента Delta-P2S и опубликован пользователем g-assismoraes. Лицензия и сведения о конкретных языках в предоставленных источниках не указаны. README не содержит оценок качества или подробностей методики обучения.

willherbert27/electra-finetuned-combo-textbook — дообученная модель ELECTRA на базе google/electra-small-generator для задачи заполнения пропусков в тексте. Она подходит для восстановления замаскированных слов в англоязычных текстах; архитектура — ElectraForMaskedLM, размер — 20,4 млн параметров, контекст — до 512 токенов. Модель распространяется в формате Safetensors по лицензии Apache-2.0. В карточке приведено значение loss 2,0564 на оценочном наборе, но набор данных указан как None, а подробности обучения и сценарии применения не описаны. Поэтому качество на конкретных текстах и устойчивость результатов по карточке оценить нельзя.

HyperCLOVA X SEED Think-14B KL-Grammar — корейскоязычная плотная авторегрессионная модель на 14,1 млрд параметров, разработанная автором репозитория на основе HyperCLOVA X SEED Think-14B. Она дообучена методом LoRA на отобранных заданиях по корейской грамматике и объединена с базовой моделью в самостоятельный BF16-чекпойнт Safetensors. Для сохранения исходных навыков в обучающую выборку также включили примеры по медицинской тематике. Модель предназначена для генерации ответов на корейском языке, в частности выбора правильного варианта в заданиях по грамматике: частям речи и морфемам, фонологии и орфографии, предложениям и речевым уровням вежливости. В карточке указан контекст 131 072 токена; обучение проводилось с максимальной длиной последовательности 1 024 токена. Автор сообщает о небольшом улучшении по пяти локальным осям для этой комбинации модулей и скорости обучения, однако это экспериментальный результат, а не гарантия качества. Лицензия — NAVER HyperCLOVA X SEED 14B Think Model License Agreement; следует также учитывать условия использования исходных данных AI Hub. Модель предназначена для исследований и оценки, точность ответов не гарантируется.

Latxa-Llama-3.1-8B — плотная языковая модель семейства Llama, разработанная исследовательским центром HiTZ и группой IXA Университета Страны Басков UPV/EHU. Модель дообучена на баскском корпусе Latxa Corpus v1.1, включающем 4,3 млн документов и 4,2 млрд токенов, и содержит около 7,5 млрд параметров. Она использует архитектуру LlamaForCausalLM, загружается через Transformers в формате safetensors и имеет контекст до 131 072 токенов. Модель предназначена прежде всего для генерации текста на баскском языке, диалогов и ответов на вопросы, а также для задач понимания текста и экзаменационной подготовки на баскских данных. В предварительных оценках она превзошла исходную Llama 3.1 8B на нескольких баскских тестах, однако разработчики отмечают, что модель всё ещё находится в разработке, а подробности обучения и результаты оценки диалогов будут опубликованы позднее. Для языков, кроме баскского, качество не гарантируется; сохраняются возможные смещения и ограничения базовой модели Llama 3.1. Унаследована лицензия Llama 3.1, допускающая коммерческое и исследовательское применение с соблюдением её условий.

llama-2-13b-chat-platypus — авторегрессионная языковая модель, дообученная Луисом Г. Алвесом на основе семейства LLaMA 2. В карточке указаны 12,9 млрд параметров, архитектура LlamaForCausalLM и контекст до 4096 токенов; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для генерации текста и ответов на инструкции, особенно в задачах, связанных с STEM-дисциплинами и логикой. Она обучалась на наборе Open-Platypus и рассчитана прежде всего на английский язык. В приведённых тестах ARC и HellaSwag её результаты ниже, чем у Platypus2-13B и базовой llama-2-13b-chat-hf. Для использования требуется соблюдать лицензию Llama 2. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед применением в конкретном продукте рекомендуется провести оценку безопасности и настроить ограничения.

DeepGlint-AI/llava-mlcd-qwen2.5-7b — мультимодальная модель семейства LLaVA-Next, разработанная DeepGlint-AI. В ней визуальный энкодер MLCD используется вместе с языковой моделью Qwen2.5-7B, дообученной на общедоступных наборах LLaVA-Pretrain и LLaVA-NeXT-Data. Модель содержит 7,1 млрд параметров, имеет контекст 32 768 токенов и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для диалога и генерации ответов с учётом изображений. В экспериментах авторы заменили CLIP в LLaVA-Next на MLCD и сообщили о результатах на бенчмарках AI2D и ScienceQA_img; это демонстрирует применение модели к визуальным вопросам и задачам на понимание изображений. Метаданные Hugging Face классифицируют её как text-generation, поэтому задача image-text-to-text не добавляется к pipeline-тегам. README отмечает, что модели, обученные на более крупных наборах данных, могут лучше справляться с большим числом задач. В карточке приведены результаты экспериментов, но нет подробных инструкций по использованию или оценки качества за пределами указанных бенчмарков.

Mavuno-195M-Instruct — компактная языковая модель Dynamoabey с архитектурой LLaMA, обученная с нуля на материалах STEM и литературы по агрономии Восточной Африки, а затем дообученная на 50 711 примерах инструкций. Модель содержит около 195 млн параметров, использует RMSNorm, RoPE, SwiGLU и связывание весов; принимает текст и поддерживает контекст до 2 048 токенов. Репозиторий содержит веса в формате safetensors, а карточка Hugging Face указывает поддержку английского языка и диалогового режима. Модель предназначена для компактного запуска на периферийных устройствах и научных демонстраций: она отвечает на вопросы по STEM и агрономии, а также может помогать с учебными заданиями и базовыми запросами о коде. В README приведены результаты на SciQ, ARC-Easy, OpenBookQA и отдельных разделах MMLU. Лицензия — MIT. Небольшой размер ограничивает надёжность многошаговых символьных вычислений и ветеринарных заключений; такие ответы следует проверять внешними инструментами или через RAG.

MuToR-gemma-2B-GSM8K-dmax_4_a_03 — дообученная модель Google Gemma-2B, подготовленная с методом MuToR (Multi-Token Prediction with Registers) на обучающей части набора GSM8K в течение пяти эпох. MuToR использует дополнительные регистровые токены для предсказания нескольких будущих токенов и усиления обучающего сигнала; при инференсе эти токены отбрасываются, поэтому скорость генерации не снижается. Модель предназначена для генерации текста и решения математических задач начального и среднего школьного уровня в формате вопросов и ответов GSM8K. Это плотная языковая модель с 2,5 млрд параметров и контекстом до 8192 токенов; репозиторий использует Transformers и формат safetensors. В карточке указана лицензия MIT. Описание не приводит отдельных результатов оценки качества, поэтому её преимущество на GSM8K нельзя количественно оценить по этим данным.

Nawah-Math-Reasoning — модель на арабском языке для решения математических задач с пошаговым выводом рассуждения и итоговым ответом. Её разработчик дообучил с нуля обученную базовую модель oddadmix/50M-2048-Emhotob с архитектурой Llama; в модели 51,8 млн параметров, контекст — 2048 токенов. Она предназначена для генерации ответов на арифметические и многошаговые задачи, в том числе задачи на отношения между величинами. Модель компактна и, согласно карточке, может работать на CPU. В опубликованных оценках точность составила 79% на GSM8K-ar, 73% на Arabic_Reasoning и 40,4% на синтетическом наборе математических задач. Модель лучше справляется с узкими формулировками GSM8K-ar, чем с разнообразными синтетическими задачами; вычислительные ошибки могут испортить правильную структуру решения. Обучающие данные преимущественно на современном литературном арабском (MSA), а трасса рассуждений не обязательно отражает внутренний ход вычислений модели. Лицензия — Apache-2.0.

Neural-4-Maths-7b — объединённая языковая модель, созданная Kukedlc с помощью LazyMergekit на основе пяти моделей Mistral. Она предназначена для генерации текста и диалогов, с акцентом на математические задачи, судя по названиям компонентов с математической тематикой. Модель имеет архитектуру MistralForCausalLM и 7,1 млрд параметров, принимает текст и выдаёт текст; длина контекста — до 32 768 токенов. Модель распространяется в формате safetensors по лицензии Apache-2.0. README не приводит результатов оценки качества, поэтому точность решения математических задач и сравнительная эффективность не подтверждены.

Olmo 3 7B RL-Zero Math — авторегрессионная языковая модель на архитектуре Transformer, разработанная Allen Institute for AI (Ai2). Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст; её контекст — до 65 536 токенов. Основной язык — английский. Модель дообучена на базовой allenai/Olmo-3-1025-7B с использованием обучения с подкреплением на проверяемых наградах (RLVR) и набора математических запросов Dolci-RLZero-Math-7B. Она предназначена для исследования математических рассуждений и генерации решений, а также может использоваться для экспериментов с RLVR. Для работы поддерживается библиотека Transformers версии 4.57.0 и выше. Модель выпускает Ai2 по лицензии Apache 2.0; в карточке указано исследовательское и образовательное назначение согласно рекомендациям Ai2 по ответственному использованию. Ответы могут содержать ошибки, а без фильтрации безопасности модель способна выдавать вредоносный или чувствительный контент; результаты следует проверять.

OREAL-32B-SFT — языковая модель для математических рассуждений, разработанная командой OREAL и представленная как часть серии OREAL. Это дообученная методом supervised fine-tuning модель Qwen2.5-32B с архитектурой Qwen2ForCausalLM и 32 млрд параметров. Она принимает текстовые вопросы и генерирует текстовые решения; заявленная длина контекста составляет 131 072 токена. Модель предназначена для решения математических задач с пошаговыми рассуждениями и ответами на вопросы. В README описана как исходная политика для последующего обучения OREAL с подкреплением по итоговому вознаграждению. Для серии OREAL приведены результаты оценивания, включая 95,0 pass@1 на MATH-500 для OREAL-32B, однако карточка не уточняет, что именно эта оценка относится к варианту SFT. В метаданных указаны возможности чата и интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. Заявленная специализация на математике ограничивает её применимость к другим областям; приведённые в карточке результаты относятся к серии OREAL и не подтверждают отдельно качество этого SFT-чекпойнта на всех перечисленных тестах.

Карточка модели menik1126/OVD-Math-1-data-FR-Step300-Historical на Hugging Face совпадает с карточкой menik1126/ovd-math-1-data-full-step300-historical, поэтому описание составлено по ней. menik1126/ovd-math-1-data-full-step300-historical — чекпойнт из коллекции OVD: исторический вариант эксперимента «1-data full», шаг 300. Репозиторий содержит веса для инференса и токенизатор; модель дообучена на базе Qwen/Qwen2.5-Math-1.5B и использует архитектуру Qwen2ForCausalLM с 1,5 млрд параметров. Модель предназначена для генерации текста, в том числе решений математических задач. Контекст — до 4096 токенов. Базовая Qwen2.5-Math-1.5B рассчитана на математические задачи на английском и китайском языках; README не уточняет языки и качество именно этого экспериментального чекпойнта. Данных о лицензии в предоставленных источниках нет.

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.

KiaBush/Persian-IPA-to-Speech-F5 — чекпойнт синтеза персидской речи, созданный дообучением F5-TTS v1 Base. Модель принимает последовательности IPA в Unicode, а не обычное персидское написание, и генерирует монофоническую речь с частотой 24 кГц. Архитектура основана на DiT с 22 слоями, размерностью 1024 и 16 головами внимания; для вокодирования используется Vocos. Веса EMA доступны в формате Safetensors, а для токенизации применяется собственный словарь из 2547 символов. Модель предназначена для синтеза речи по персидской фонетической транскрипции и поддерживает обусловливание по референсному аудио. Для обычного персидского текста README рекомендует сначала преобразовать его в IPA отдельной моделью Persian Text-to-IPA, затем передать транскрипцию в синтезатор. Качество зависит от точности IPA, корректности транскрипции референса и качества записи; для имён, чисел, сокращений и контекстных произношений рекомендуется проверять транскрипцию. Выпуск весов распространяется по лицензии CC BY-NC 4.0; право использовать голос референсной записи необходимо получать отдельно.

Platypus2-13B — авторегрессионная языковая модель с 12,9 млрд параметров на архитектуре LLaMA 2-13B, дообученная Cole Hunter и Ariel Lee для следования инструкциям. Она обучалась на наборе Open-Platypus с примерами по STEM-дисциплинам и логике и предназначена для генерации ответов на текстовые инструкции, в том числе для решения научных и логических задач. Модель использует контекст до 4096 токенов и рассчитана прежде всего на английский язык. Модель подходит для экспериментов, прототипирования и вспомогательной генерации ответов по STEM-темам. Она может выдавать неточные, предвзятые или нежелательные ответы; оценка и тестирование проводились на английском языке и не охватывают все сценарии. Лицензия — CC BY-NC-SA 4.0, допускающая использование на некоммерческих условиях с соблюдением её требований.

Qwen2.5-3B-GRPO-Staleness-4 — полноразмерный чекпойнт, дообученный командой zbeeb на базе Qwen/Qwen2.5-3B методом GRPO на 17 005 примерах математического датасета DAPO. Модель предназначена для генерации ответов и решения математических задач; её можно использовать для экспериментов и приложений, где требуется языковая модель с математической специализацией. Модель использует плотную архитектуру Qwen2, содержит 3,1 млрд параметров и принимает текст. Нативная длина контекста по конфигурации — 32 768 токенов; при обучении использовался контекст до 4 096 токенов, а генерация ответов — до 3 072 токенов. В карточке указаны английский и китайский языки. Веса опубликованы в Safetensors; лицензия обозначена как other. Обучение с GRPO поощряло математическую эквивалентность конечного ответа. В README приведены оценки на нескольких математических наборах, однако они относятся к обучающему запуску и не являются независимой свежей оценкой экспортированного файла. Расширение контекста до 8K не настроено и не проверено; при использовании некоторых серверов может потребоваться явно задать стоп-токены.

Qwen2.5-3B-GRPO-Staleness-6 — полноразмерный чекпойнт Qwen/Qwen2.5-3B после 1000 обновлений методом GRPO, обученный автором zbeeb на наборе из 17 005 математических задач DAPO. Это плотная причинная языковая модель семейства Qwen2 с 3,1 млрд параметров, предназначенная для генерации ответов на математические задачи. Модель поддерживает чат; в README описана оценка математической эквивалентности итогового ответа как сигнал вознаграждения при обучении. Нативный контекст модели составляет 32 768 токенов. В этом обучении использовался общий контекст до 4 096 токенов и генерация ответа до 3 072 токенов; результаты обучения не являются новым бенчмарком экспортированного файла или сравнением на контексте 8K. Модель принимает текст и генерирует текст. Метаданные указывают английский и китайский языки, но карточка не утверждает, что обучение было специально ориентировано на них. Веса сохранены в формате Safetensors. Лицензия указана как other, поэтому конкретные условия следует проверять в файлах репозитория. Заявленные оценки относятся к финальному состоянию обучения и не являются отдельной оценкой опубликованного артефакта; кроме того, сравнение вариантов с разными ограничениями staleness может быть осложнено различиями в конфигурации оборудования.

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.

legraphista/Qwen2-Math-7B-Instruct-IMat-GGUF — это набор GGUF-квантизованных версий модели Qwen/Qwen2-Math-7B-Instruct, подготовленный пользователем legraphista с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, прежде всего для решения математических задач и инструкционного взаимодействия. В README указана поддержка английского языка. Модель имеет размер 7B параметров и распространяется в формате GGUF. Доступны варианты от BF16 и FP16 до Q8_0, Q6_K, Q5_K, Q4 и более компактных 3- и 2-битных квантований. Для ряда вариантов применена IMatrix-калибровка, призванная лучше сохранять качество при уменьшении размера модели. Размер файлов составляет примерно от 3,02 до 15,24 ГБ. Контекстное окно, точные сведения об архитектуре и мультимодальные возможности в README не указаны; модель ориентирована на текстовый ввод и вывод. Основные преимущества — широкий выбор уровней квантования, возможность локального запуска через совместимые инструменты llama.cpp и компромисс между размером файла и сохранением качества, особенно в вариантах с IMatrix. Более агрессивное квантование может снижать точность и качество рассуждений, а характеристики зависят от выбранного файла. Модель распространяется по лицензии Apache-2.0.

Qwen3-1.7B-OPD-Math — компактная языковая модель на 1,7 млрд параметров, созданная на основе Qwen/Qwen3-1.7B методом on-policy-дистилляции. В качестве учителя использовалась Qwen3-4B-Instruct-2507; студент обучался в режиме без пошагового мышления на математических запросах из DAPO-Math-17k. Модель предназначена для генерации текста и диалоговых ответов с математическими рассуждениями. В карточке приведён результат 50,0% pass@8 на AIME 2024 при температуре 1,0 и top-p 0,7 после 10 шагов обучения; это результат конкретного эксперимента, а не гарантия качества на других задачах. Архитектура — плотная Qwen3ForCausalLM, контекст — до 40 960 токенов. Модель принимает и выдаёт текст; в метаданных для карточки указан английский язык. Распространяется в формате safetensors по лицензии Apache-2.0. Карточка отмечает чувствительность reverse-KL-дистилляции к совпадению поведения учителя и студента при завершении генерации: несовпадение может привести к коллапсу длины и проблемам с выдачей EOS.

Qwen3-1.7B Teacher Note Severity v2 — модель на 1,7 млрд параметров на базе Qwen3-1.7B, разработанная jeremierostan для структурированного анализа заметок учителей о поведении и успеваемости учеников. Это продолженное LoRA-дообучение модели Qwen3-1.7B-teacher-note-severity; версия v2 добавляет поле местоположения события. Модель принимает заметку или журнал наблюдений и генерирует JSON с категорией события, местом, оценкой серьёзности и признаком необходимости эскалации. К оценочным категориям относятся похвала, нарушение поведения и академическая проблема; значение серьёзности от 60 означает эскалацию к администрации. Указан контекст до 40 960 токенов. Для обучения использовались синтетические данные; автор приводит результаты проверки на синтетической тестовой выборке из 200 примеров. Модель предназначена для классификации и приоритизации школьных заметок, но её оценки следует рассматривать как вспомогательные: опубликованная проверка ограничена небольшой синтетической выборкой. Лицензия — Apache-2.0.

SeongryongJung/qwen3-4b-biology-srpo-ema005 — контрольная точка модели Qwen3-4B, дообученная методом SRPO на задачах по биологии. Репозиторий содержит последний чекпойнт обучения global_step_100 в формате Transformers; валидационный результат 56,12% mean@16 — лучший результат, наблюдавшийся на шаге 70, а не оценка загруженного чекпойнта. Для последнего чекпойнта указано 51,25% mean@16. Модель предназначена для генерации текстовых ответов на биологические вопросы и рассуждений в этой области. Архитектура — плотная авторегрессионная Qwen3ForCausalLM на 3,7 млрд параметров с контекстом до 40 960 токенов. Обучение описано как специализированное на биологии; языки отдельно не указаны. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-4B-Chemistry-RLRT-TR — экспериментальный чекпойнт Qwen3-4B, обученный для задач химии методом RLRT-TR с размером обучающего пакета 32. В репозитории находится лучший и одновременно финальный чекпойнт global_step_100, выбранный по validation mean@16; для набора Chemistry указано значение 59,17%. Модель построена на плотной архитектуре Qwen3ForCausalLM и содержит 3,7 млрд параметров. Модель предназначена для генерации текста и решения химических задач. Она принимает текст и выдаёт текст; заявленная родительская модель поддерживает диалоги, рассуждения, генерацию кода и многоязычные задачи. Контекст модели — до 40 960 токенов. Для загрузки указан Transformers; файлы весов представлены в формате safetensors. Лицензия — Apache-2.0.

Экспериментальный чекпойнт Qwen3-4B QuestA Non-MCQ E-step, созданный автором YYYYYYibo на основе Qwen/Qwen3-4B-Instruct-2507. Это плотная причинная языковая модель семейства Qwen3 с 3,7 млрд параметров в формате Transformers safetensors; метаданные указывают контекст до 262 144 токенов. Модель дообучали 50 шагов на 5 897 дедуплицированных задачах по математике без вариантов ответа из набора QuestA-OpenR1-Math-220k-Joined, используя сигнал PPO, штраф учителя и награду за правильность решения. Модель предназначена для генерации ответов и решений математических задач в диалоговом формате. В диагностике на 256 примерах из обучающего набора чекпойнт с доступом к решениям показал точность 78,91% (77,34%, если усечённые ответы считать ошибочными); это внутривыборочные результаты, не оценка обобщения. В README рекомендуется проверять модель на отложенном наборе. Модель принимает и выдаёт текст. Лицензия в предоставленных данных не указана.

Reason-Medical-20B — англоязычная модель генерации текста для медицинских и биомедицинских вопросов, разработанная EpistemeAI на основе gpt-oss-20b. Это дообученная методом supervised fine-tuning декодерная Transformer-модель с разреженной архитектурой Mixture-of-Experts; в карточке указаны 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для исследовательских и образовательных сценариев: медицинских вопросов и ответов, пошаговых рассуждений, оценки клинических знаний и медицинских бенчмарков. Обучение описано как дообучение на 370 000 примерах вопрос-ответ из набора ReasonMed с рассуждениями. Модель может помогать в исследованиях медицинского образования, биологии, медицинской генетики и клинических знаний, но ответы могут содержать ошибки, упускать редкие случаи или чрезмерно уверенно излагать неподтверждённые выводы. Её нельзя использовать для постановки диагноза, назначения лечения или дозировок, экстренных решений и самостоятельного ведения пациентов; медицинские и лабораторные ответы требуют проверки специалистом. Лицензия — Apache-2.0.

Карточка модели microsoft/rho-math-1b-interpreter-v0.1 на Hugging Face совпадает с карточкой microsoft/rho-math-1b-v0.1, поэтому описание составлено по ней. Rho-Math-1B-v0.1 — базовая языковая модель Microsoft для математических рассуждений и генерации ответов. Она построена на архитектуре Llama с плотной моделью класса LlamaForCausalLM и содержит 1 млрд параметров. Модель предварительно обучена методом Selective Language Modeling (SLM), который сосредоточивает обучение на чистых и полезных токенах. В README приведены результаты few-shot оценки на GSM8K и MATH для семейства Rho-Math; отдельный показатель именно для этой версии составляет 15,6% на MATH. Модель предназначена для генерации текста при решении математических задач, в том числе с пошаговым рассуждением и примерами в запросе. Она работает с текстом на английском языке и имеет контекст длиной 2048 токенов. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

coai разработала roberta-ai-detector-v2 — модель классификации текста на базе RoBERTa, дообученная для выявления текстов, сгенерированных ИИ, в академических работах и эссе. Модель различает текст, написанный человеком, и текст, созданный ИИ, и предназначена для проверки академических материалов, исследований методов обнаружения ИИ и образовательных инструментов для поддержки академической добросовестности. Модель рассчитана на английский язык и формальное академическое письмо. В описанной оценке на 11 023 отложенных примерах указаны accuracy 99,04%, F1 99,04% и ROC AUC 99,74%; обучающая выборка включала 56 213 пар текстов, в том числе примеры от Claude, GPT и Gemini. Репозиторий распространяется с лицензией Apache 2.0.