IV.5Образование и развитие навыков

SongTonyLi/SFT_D1chosen_math_cosineLR_instruct — языковая модель SongTonyLi, дообученная на базе unsloth/meta-llama-3.1-8b-instruct-bnb-4bit. Это плотная авторегрессионная модель семейства Llama для генерации текста в диалоговом формате; в метаданных указаны размер 7,5 млрд параметров и контекст до 131 072 токенов. Модель обучалась с использованием Unsloth и библиотеки TRL. Модель подходит для диалоговых ответов и генерации текста, включая задачи, связанные с математикой, на что указывает название чекпойнта. Метаданные указывают английский язык, поддержку чата и интерфейс вызова инструментов. Лицензия — Apache-2.0. Карточка не описывает обучающие данные и оценки качества, поэтому эффективность в конкретных математических задачах не подтверждена.

Модель hasindu-k/sinhala-handwritten-notes-v3 — дообученная на пользовательском наборе рукописных учебных заметок модель TrOCR для распознавания сингальского текста на изображениях. Она построена на архитектуре vision-encoder-decoder и предназначена прежде всего для извлечения слов или коротких строк из обрезанных фрагментов рукописных записей, например, чтобы оцифровывать учебные материалы и передавать распознанный текст в поиск, суммаризацию или систему вопросов и ответов. Модель лучше применять к чётким изображениям с высоким контрастом, небольшим фоновым шумом и минимальными тенями или перекосом. В описанных экспериментах лучшая валидационная CER составила 0,3453, а WER — 0,4717; README также отмечает признаки переобучения. Модель может ошибаться на похожих символах и незнакомых стилях почерка, а качество распознавания длинных предложений и нескольких слов на одном изображении может быть низким. Для важных решений результат следует проверять вручную. Лицензия — Apache-2.0.

SPARK-VL-7B — мультимодальная модель InternLM, созданная дообучением Qwen2.5-VL-7B-Instruct в рамках фреймворка SPARK. Она предназначена для видео- и визуальных задач с рассуждением, в частности для оценки и решения задач из мультимодальных математических наборов. Модель объединяет политику и оценивание в одном чекпойнте и обучалась совместно с помощью reinforcement fine-tuning; заявленные методы используют повторно результаты генерации и не требуют внешней модели вознаграждения или данных человеческих предпочтений. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Для запуска доступны веса safetensors и Transformers; в README также рекомендован vLLM для ускорения инференса. Базовая модель рассчитана на анализ изображений и видео, однако основная задача этого чекпойнта в метаданных обозначена как video-text-to-text. Лицензия — MIT. README не приводит подробных количественных результатов и ограничений по качеству, поэтому её пригодность для конкретных сценариев следует оценивать отдельно.

Карточка модели llm-agents/tora-code-34b-v1.0 на Hugging Face совпадает с карточкой llm-agents/tora-code-7b-v1.0, поэтому описание составлено по ней. ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

ToRA-Code-7B-v1.0 — языковая модель семейства Llama, выпущенная командой ToRA для решения математических задач с помощью естественно-языкового рассуждения и внешних инструментов, таких как библиотеки вычислений и символьные решатели. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и формат PyTorch; максимальная длина контекста — 16 384 токена. Карточка указывает английский язык и обучение на примерах GSM8K и MATH. Модель дообучена методом supervised fine-tuning на корпусе ToRA-Corpus 16k с траекториями решения задач GSM8K и MATH, после чего применялось формирование пространства выходов для улучшения взаимодействия с инструментами. Она предназначена для генерации решений математических задач, включая сценарии, где требуется вычисление или использование символьного решателя. Для практического взаимодействия с инструментами нужны соответствующая среда исполнения и код интеграции; README отсылает к репозиторию проекта за инструкциями по запуску и оценке. Лицензия — Llama 2.

uAI-NEXUS-MedVLM-1.0a-7B-RL — мультимодальная медицинская модель UII-AI для анализа хирургических видео. Это плотная модель Qwen2.5-VL с 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-7B-Instruct в два этапа: supervised fine-tuning на вопросах и ответах по медицинским видео, затем оптимизация GRPO с наградами за временную точность и клиническую семантику. Модель принимает видео и текстовые запросы, а ответы формирует на английском языке; контекст — до 128 000 токенов. Модель предназначена для локализации действий во времени, пространственно-временной привязки объектов, предсказания следующего действия, суммаризации видео, описания регионов и оценки хирургических навыков, включая CVS. Обучение проводилось на 51 505 парах видео-инструкций из восьми наборов хирургических данных. Лицензия — Apache 2.0. Модель оптимизирована для медицинских и хирургических видео и может хуже работать в других областях. Наилучшие результаты ожидаются при частоте выборки кадров 0,1–1 кадр/с и видео длительностью несколько минут; длинные ролики обрабатываются с выборкой кадров. Основной язык медицинской терминологии — английский.

tiantiaf/wavlm-large-speech-flow — модель для классификации беглости речи, основанная на дообученной Microsoft WavLM Large. Она анализирует аудио окнами по 3 секунды с шагом 1 секунда и определяет, является ли речь беглой или небеглой. Для обнаруженных небеглых фрагментов предусмотрен дополнительный анализ типов нарушений беглости, однако их категории в доступном описании не перечислены. Модель предназначена для анализа речевых фрагментов и характеристики речи говорящего. В метаданных указан английский язык и аудиовход; выход представляет собой текстовые классы. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии OpenRAIL.

Whisper-Taiwanese-model-v0.5 — модель распознавания речи, разработанная Национальным университетом Тайнаня и дообученная на базе openai/whisper-large-v3-turbo для распознавания тайваньского хоккиена (тайваньского миньнаньского языка), в частности речи по материалам школьных учебников. Проект выполнялся в сотрудничестве с издательством 真平 и Национальным центром высокопроизводительных вычислений Тайваня в рамках образовательной инициативы TAIDE. Модель построена на архитектуре Whisper и содержит около 905,2 млн параметров. Для дообучения использовали собственные данные и материалы словаря распространённых тайваньских слов Министерства образования Тайваня; в README указан объём примерно 90 часов аудио. Ожидаемый вход — монофоническая WAV-запись с частотой 16 кГц, выход — текстовая расшифровка речи. Репозиторий опубликован в формате safetensors, для работы указана библиотека Transformers. Модель предназначена для распознавания тайваньского хоккиена, особенно учебной речи и материалов, связанных со школьными учебниками. Метаданные также отмечают английский и китайский языковые коды, однако README описывает специализацию именно на тайваньском хоккиене, поэтому её качество для других языков не подтверждено. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Muno459/zipformer_p-arabic-v2 — потоковая модель распознавания арабской речи, разработанная автором репозитория на базе Zipformer2 и стека icefall/k2. Она преобразует аудио в фонемные единицы, включая согласные и харакаты, чтобы фиксировать произношение, а не сразу выдавать арабскую орфографическую запись. Модель содержит 64,7 млн параметров и использует CTC; для входа нужны признаки Kaldi fbank с 80 полосами, извлечённые из аудио с частотой 16 кГц. Модель предназначена для повседневной арабской речи, включая литературный арабский и диалекты Египта, стран Залива, Леванта и Магриба, а также для чтения Корана с таджвидом. В README приведены результаты на наборах оценки для коранической рецитации и общей арабской речи; они не гарантируют такое же качество на других данных. Репозиторий содержит форматы ONNX и CoreML. Лицензия указана как other, поэтому условия использования следует проверять в карточке модели. Выход модели — фонемы, а не готовый текст. Преобразование фонем в арабскую орфографию требует отдельного этапа; поиск ближайшего аята, использованный в некоторых приведённых оценках WER, ограничен кораническим словарём и не подходит для обычной речи. В README также отмечено снижение точности для некоторых эмфатических согласных у незнакомых чтецов. CoreML-сборки проверены конвертацией и точностью, но не запускались на оборудовании Apple.

Классификатор StanfordSCALE для выявления в репликах учителя случаев, когда учитель обращается к ученику по имени. Модель создана для проекта EduBehaviors: Assertion-based schemas for auditable dialogue coding и доступна через пакет EduBehaviors-kit. Она дообучена на базе sentence-transformers/paraphrase-mpnet-base-v2 с помощью SetFit; размер составляет 136,7 млн параметров, архитектура — MPNet, формат весов — safetensors, контекст — до 514 токенов. Модель принимает отдельную реплику без дополнительного оформления и выдаёт классификацию. Обучающие примеры взяты из подмножества реплик учителей датасета TalkMoves, размеченного LLM-аннотаторами; указанные метрики F1 положительного класса составляют 0,830 на dev и 0,889 на test. Данные карточки относятся к английскому языку и учебному диалогу. Классификатор подходит для автоматизированного кодирования диалогов в классе и аудита обращений учителя к ученикам. Разметка получена от LLM-аннотаторов, а поведение модели на речи учеников не проверялось. Лицензия в предоставленных сведениях не указана.

Atom-Astronomy-7B — специализированная языковая модель VANTA Research для астрономии и астрофизики, дообученная на базе allenai/OLMo-3-7B-Instruct с помощью LoRA. Это плотный Transformer-декодер примерно с 6,9 млрд параметров; модель поддерживает контекст до 65 536 токенов и предназначена для генерации текста в диалоговом формате. В карточке указаны обучающие примеры по наблюдательной астрономии, физике звёзд, космологии, высокоэнергетической астрофизике и вычислительным методам. Модель рассчитана на англоязычные запросы и поддерживает математическую нотацию LaTeX. Модель предназначена для объяснения сложных астрономических понятий, разбора задач и выводов, проверки расчётов, помощи в обучении и работы с научными материалами. Разработчик сообщает о кратких технических ответах и высокой скорости на собственной оценке задач по астрофизике; эти результаты не являются независимой проверкой качества. Ограничения включают возможный перекос обучающих данных в сторону оптической и радиоастрономии и западных академических источников, а также меньший охват культурной астрономии и некоторых новых направлений. Лицензия — Apache 2.0.

AX-3.1-Light-sft_v0_1 — корейская диалоговая модель на 6,8 млрд параметров, созданная автором jwg0830 на базе skt/A.X-3.1-Light. Это объединённая с базовой моделью LoRA-дообученная версия стандартной архитектуры LlamaForCausalLM; она принимает текст и поддерживает контекст до 32 768 токенов. Модель предназначена для ответов на вопросы и задач понимания текста на корейском языке, где важно соблюдать формат ответа: краткое обоснование с последующей строкой «정답: », пригодной для извлечения буквы варианта. Обучение на данных AI Hub было направлено на исправление сбоев формата в заданиях, похожих на корейские бенчмарки по общим знаниям, языку, медицине, финансам и праву. Автор приводит результаты собственного proxy-тестирования; они не являются официальными оценками K-AI. Модель опубликована в формате safetensors и использует библиотеку Transformers. Указана лицензия other; дополнительных условий в предоставленных данных нет. В README отмечено, что оси MuSR-Lite и Com2-main-Lite для этой версии ещё не переоценивались.

ChemLLM-20B-Chat-DPO — разговорная языковая модель для химии и молекулярных наук, разработанная AI4Chem на базе InternLM2 и дообученная с DPO. Модель содержит 19,3 млрд параметров, использует плотную архитектуру InternLM2 и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors. Модель предназначена для диалога по химическим темам и молекулярным наукам, а также для ответов на профессиональные вопросы и перевода. В карточке приведены результаты ChemLLM на разделах химии, математики и физики теста MMLU; они превосходят указанные сравниваемые модели в этих разделах, но сами по себе не гарантируют точность в практических задачах. Модель принимает и выдаёт текст, поддерживаемые языки по карточке — английский и китайский. Лицензия — Apache-2.0. Ответы могут быть ошибочными, поэтому химические сведения следует проверять.

DeepSearch-1.5B — языковая модель рассуждений на 1,5 млрд параметров, разработанная Fang Wu и соавторами из нескольких исследовательских организаций. Это плотная причинная модель семейства Qwen2 для генерации текста и диалогов, обученная с подкреплением по проверяемым наградам (RLVR) и поиском Монте-Карло (MCTS), встроенным в процесс обучения. Базовая модель — nvidia/Nemotron-Research-Reasoning-Qwen-1.5B-v2. Модель предназначена прежде всего для решения математических задач и пошаговых рассуждений. В карточке приведены результаты на AIME 2024, AIME 2025 и AMC 2023; авторы сообщают о более высокой точности среди моделей рассуждений этого размера и меньших вычислительных затратах относительно длительного обучения с RL. Поддерживает текстовый ввод и генерацию, контекст составляет до 131 072 токенов; в метаданных указан английский язык. Доступна под лицензией Apache-2.0. Результаты и заявления о вычислительной эффективности основаны на оценках авторов и не гарантируют качество для любых задач. Обучение ориентировано на математику, поэтому надёжность в других областях и устойчивость ответов следует проверять отдельно.

DeepSeekMath-7B-Instruct — языковая модель семейства DeepSeekMath от DeepSeek, основанная на плотной архитектуре Llama и содержащая 6,5 млрд параметров. Версия Instruct предназначена для диалогового взаимодействия и генерации текста; название модели указывает на математическую направленность, однако предоставленная карточка не описывает конкретные математические возможности или результаты. Модель принимает текст и генерирует текст. Указанная длина контекста — 4096 токенов. Репозиторий содержит веса PyTorch; лицензия обозначена как other, поэтому условия использования следует сверить с полной лицензией разработчика.

EEVE-Instruct-Math-10.8B — корейская языковая модель kuotient для диалоговой генерации текста и решения математических задач. Это плотная авторегрессионная модель семейства Llama с 10,6 млрд параметров и контекстом 4096 токенов. Она создана слиянием EEVE-Math и EEVE-Korean-Instruct с помощью DARE-TIES: цель — совместить математические навыки специализированной модели с удобством общения instruct-модели. Модель подходит для ответов на математические вопросы на корейском языке и диалоговых сценариев. В README приведены результаты GSM8K-KO: pass@1 0,539 для EEVE-Math после второго этапа обучения; в сравнении объединённая модель также оценивалась на GSM8K и KoBEST. Лицензия — CC BY-SA 4.0.

EulerMath-Mistral-7B-GGUF — это набор GGUF-квантизаций языковой модели EulerMath-Mistral-7B, опубликованный и квантованный пользователем bartowski. Исходная модель разработана Weyaxi и основана на meta-math/MetaMath-Mistral-7B. Модель предназначена для генерации текста и решения математических задач, включая математические задачи в текстовой форме, а также для использования в сценариях instruction-following. Она обучалась с применением наборов данных TIGER-Lab/MathInstruct и microsoft/orca-math-word-problems-200k; заявленный язык — английский. Модель имеет архитектуру Mistral и размер 7B параметров. В данном репозитории представлены варианты с разной степенью квантизации, от Q8_0 размером 7,69 ГБ до IQ1_S размером 1,61 ГБ. Более высокие уровни квантизации обычно сохраняют лучшее качество, тогда как компактные варианты требуют меньше оперативной памяти, но могут заметно уступать по качеству; для большинства сценариев автор рекомендует Q6_K, Q5_K_M, Q5_K_S и варианты Q4. Используется формат prompt: «### Instruction: {prompt}» и «### Response:». Сильными сторонами являются специализация на математических задачах, широкий выбор размеров файлов и совместимость с экосистемой llama.cpp. Ограничения включают отсутствие данных о длине контекста, мультимодальности, результатах оценивания и поддерживаемых языках, кроме английского. Лицензия указана как other, без дополнительных условий в README; перед использованием следует проверить лицензионные условия исходной модели и производных компонентов.

Модель Fine-Tashkeel разработана для восстановления диакритических знаков в арабском тексте. Это дообученная версия ByT5 с архитектурой T5, которая обрабатывает текст без предварительной токенизации на слова и символы; размер модели — 793,3 млн параметров. Дообучение выполнено на наборе данных Tashkeela в течение 13 000 шагов. Модель предназначена прежде всего для огласовки классического арабского языка: она получает текст без диакритики и генерирует текст с восстановленными знаками. В README сообщаются Diacritics Error Rate 0,95 и Word Error Rate 2,49. Модель опубликована разработчиками для сообщества исследователей, но это само по себе не ограничивает её практическое применение. Лицензия — MIT.

Это экспериментальный чекпойнт Gemma 4 E2B IT, дообученный анонимной исследовательской группой для решения математических задач с пошаговыми рассуждениями. Обучение проведено методом GRPO; ответы генерировались с бюджетом до 2 048 новых токенов, а чекпойнт соответствует шагу 300. В метаданных указаны архитектура Gemma4ForConditionalGeneration, формат safetensors и базовая модель google/gemma-4-E2B-it. Модель предназначена для математических задач, где требуется получить рассуждение и заключительный ответ в тегах \boxed{}. Карточка не приводит результатов оценки качества; ограничение генерации в обучающем режиме составляло 2 048 токенов, а ответы, достигавшие лимита, обрезались. Распространяется по лицензии Apache-2.0.

GRPO-Think-1.5B-16k — языковой верификатор кода, разработанный институтом INSAIT. Это плотная модель архитектуры Qwen2 с 1,5 млрд параметров, дообученная методом GRPO на наборе INSAIT-Institute/Aletheia-Train на основе DeepSeek-R1-Distill-Qwen-1.5B. Принимает условие задачи по программированию и несколько вариантов решения, оценивает и ранжирует их по корректности; модель обучалась с промежуточными рассуждениями и бюджетом генерации до 16 тысяч токенов. В метаданных указан нативный контекст 131 072 токена. Модель предназначена для проверки решений задач соревновательного программирования, выбора корректного варианта из нескольких кандидатов и использования в качестве оценочной или наградной модели при оптимизации генерации кода. Обучающие данные охватывают решения на Python, C++ и Java, однако это не означает, что модель сама генерирует исполняемый код для любых задач. Для работы требуются текстовый запрос с кандидатами и формат промпта, описанный разработчиками. Лицензия — CC BY-NC-SA 4.0, с условиями некоммерческого использования и распространения на тех же условиях.

InfoDensity-DeepSeek-R1-Distill-Qwen-7B — языковая модель amao0o0, созданная дообучением DeepSeek-R1-Distill-Qwen-7B с методом InfoDensity. Она использует архитектуру Qwen2, содержит 7,1 млрд параметров и предназначена для генерации текста с рассуждениями, в особенности для математических и научных задач. По данным README, обучение поощряет информационно насыщенные цепочки рассуждений, которые приводят к правильному ответу, помогая сокращать их длину. Модель подходит для диалогового решения задач и генерации ответов с пошаговым обоснованием. В README приведены результаты оценки на AMC23, AIME24, MATH500 и GPQA-Diamond: средняя точность pass@1 составила 72,2 при средней длине генерации 4,5 тыс. токенов; сравнение с базовой моделью зависит от указанного в карточке протокола оценки. Метаданные указывают контекст до 131 072 токенов и поддержку Transformers. Модель распространяется по лицензии MIT. Карточка ссылается на статью EMNLP 2026, но не приводит полный код и инструкции использования.

internlm2-math-plus-1_8b-IMat-GGUF — квантизированная версия модели internlm/internlm2-math-plus-1_8b, подготовленная legraphista с использованием llama.cpp b3008 и IMatrix-калибровки. Модель предназначена для генерации текста, прежде всего для математических задач, и поддерживает английский и китайский языки. Формат GGUF рассчитан на запуск через совместимые инструменты, включая llama.cpp. Исходная модель использует формат BF16 и имеет размер 1,8 млрд параметров. Доступны варианты от FP16 и BF16 до различных уровней квантизации Q и IQ; для ряда низкобитных вариантов применена IMatrix, что позволяет уменьшить размер файлов при сохранении качества по сравнению с обычной квантизацией. Размер доступных файлов составляет примерно от 727 МБ до 3,78 ГБ. README не содержит данных о длине контекста, точной архитектуре, результатах оценки или ограничениях исходной модели. Лицензия указана как other, без дополнительных условий в представленной карточке.

Komodo-Llama-3.2-3B-v2-fp16 — языковая модель на архитектуре Llama 3.2, дообученная разработчиком репозитория на наборе jeggers/competition_math для решения математических задач. Модель содержит 3,2 млрд параметров, использует формат fp16 и рассчитана на генерацию текста и диалог в формате ChatML; базовая модель поддерживает контекст до 131 072 токенов. Модель предназначена для пошаговых объяснений и кратких ответов на математические задачи, включая задачи соревновательного уровня. Метаданные перечисляют английский, тайский, португальский, испанский, немецкий, французский, итальянский и хинди; основное назначение дообучения — математика. В метаданных также отмечен интерфейс вызова инструментов, но README не описывает его применение. Лицензия — Apache-2.0. Оценка на Open LLM Leaderboard в README включает среднее значение 19,59, IFEval — 63,41 и BBH — 20,20; эти результаты сами по себе не подтверждают точность на всех математических задачах. Модель унаследовала ограничения базовой Llama 3.2 и может ошибаться в вычислениях или рассуждениях.

Neelectric/Llama-3.1-8B-Instruct_SFT_sciencesp_ewc_v00.01 — дообученная модель Neelectric на базе Meta Llama 3.1 8B Instruct, обученная с помощью TRL. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров, предназначенная для диалоговой генерации текста; пример в карточке показывает ответ на вопрос в формате чата. Модель принимает текст и выдаёт текст, поддерживает контекст до 131072 токенов и использует библиотеку Transformers. Модель ориентирована на научную тематику, что отражено в названии репозитория, однако карточка не описывает обучающие данные, конкретные научные дисциплины или результаты оценки. Она унаследовала многоязычную диалоговую основу Llama 3.1 8B Instruct. Файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

NamrataThakur/llama31-8bn_Reinforcement-Fine-Tuned — текстовая модель семейства Llama 3.1, дообученная с применением обучения с подкреплением и преобразованная в GGUF с помощью Unsloth. Она предназначена для генерации ответов на вопросы и решения математических задач; в метаданных также указано обучение на датасете GSM8K. Модель имеет архитектуру LlamaForCausalLM и 7,5 млрд параметров, поддерживает контекст до 131 072 токенов и рассчитана на английский язык. Репозиторий содержит веса Safetensors и варианты GGUF Q4_K_M, Q5_K_M и Q8_0, пригодные для запуска через llama.cpp. Модель основана на meta-llama/Llama-3.1-8B. Лицензия — Apache 2.0. README не приводит сравнительных оценок качества, поэтому надёжность ответов и преимущество дообучения для конкретных задач требуют проверки.

turboderp/llama3-turbcat-instruct-8b — диалоговая модель семейства Llama 3, выпущенная Turboderp. Это версия на 7,5 млрд параметров с плотной архитектурой LlamaForCausalLM и контекстом до 8192 токенов; модель предназначена для генерации текста в формате чата. Модель обучена на расширенном наборе данных объёмом 5 ГБ и ориентирована на ролевые диалоги, ответы на медицинские и биологические вопросы, а также задания уровня GRE, MCAT и китайского вступительного экзамена в аспирантуру. В README также заявлена поддержка китайского языка, но автор отмечает, что в версии 8B она ограничена возможностями базовой модели. Формат общения — Llama 3; поддерживаются сценарии, где модель играет роль API или функции и следует системному запросу. Репозиторий содержит веса safetensors. Лицензия указана как llama3; перед использованием следует учитывать условия лицензии Llama 3. Модель может ошибаться в медицинских ответах, поэтому их следует проверять у специалиста; независимые показатели качества в карточке не приведены.

MiMo-7B GDN Hybrid stage3-1.8B-OPD — экспериментальная языковая модель на 7 млрд параметров, созданная arianraje путём слияния вариантов MiMo-7B с гибридной архитектурой внимания Qwen2 и Gated DeltaNet; в метаданных базовыми указаны arianraje/mimo-7b-gdn-opd-predecay-1721m-step11144 и XiaomiMiMo/MiMo-7B-RL-0530. Модель обучалась методом on-policy distillation на основе MiMo-7B-RL-0530 и предназначена для генерации текста, диалогов и многошаговых математических рассуждений. В README приведены результаты оценок на AIME 2024, AIME 2025 и MATH-500, но для AIME автор предупреждает о малой выборке. Модель поддерживает контекст до 65 536 токенов и распространяется в формате safetensors. Для загрузки требуется пользовательская регистрация архитектуры mimo_gdn в transformers 4.57.x и flash-linear-attention 0.5.x, доступная в репозитории обучения. Лицензия — MIT. В карточке не заявлены языки, поэтому описание ограничено языковыми возможностями, явно подтверждёнными источниками.

Карточка модели NostraEmpire/mirror-qwen2.5-math-7b-instruct на Hugging Face совпадает с карточкой Qwen/Qwen2.5-Math-7B-Instruct, поэтому описание составлено по ней. Qwen2.5-Math-7B-Instruct — языковая модель Qwen, разработанная командой Qwen и дообученная для решения математических задач по инструкциям. Это плотная модель семейства Qwen2 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров; она работает с текстом, поддерживает контекст до 4096 токенов и доступна в формате safetensors для Transformers. Модель предназначена прежде всего для решения задач по математике на английском и китайском языках. Она использует пошаговое рассуждение (CoT) и Tool-integrated Reasoning (TIR), который помогает с точными вычислениями, символьными преобразованиями и алгоритмическими задачами. Авторы не рекомендуют применять её для задач вне математики. Модель распространяется по лицензии Apache-2.0. Для запуска требуется Transformers версии 4.37.0 или новее.

Mistral-Small-24B-Instruct-2501-reasoning-GGUF — это квантованное представление в формате GGUF модели Mistral-Small-24B-Instruct-2501-reasoning, разработанной yentinglin и преобразованной пользователем brittlewis12. Модель создана на базе Mistral-Small-24B-Instruct-2501 и дообучена для усиления способностей к математическому рассуждению на наборах данных OpenR1-Math-220k, s1K-1.1 и связанных данных в формате TRL. Она предназначена для генерации текста, решения математических задач и сценариев, где требуется пошаговое рассуждение. Заявлен английский язык и текстовая модальность; размер модели — 24 млрд параметров. Формат GGUF ориентирован на локальный запуск с совместимыми инструментами, включая llama.cpp. Сведения о размере контекстного окна в README отсутствуют. Среди сильных сторон — специализация на математическом reasoning и высокие результаты исходной модели в приведённых оценках: 95,0 на MATH-500, 53,33 на AIME 2025, 66,67 на AIME 2024 и 62,02 на GPQA Diamond. Эти показатели относятся к исходной модели и не обязательно полностью характеризуют конкретную квантованную сборку. Ограничениями являются отсутствие данных о конкретном типе и уровне квантования, требованиях к памяти и производительности, поддерживаемых языках помимо английского и контекстном окне. В метаданных указана лицензия Apache-2.0.

NG-ng/multi-science-reasoner-model — дообученная NG-ng языковая модель семейства Qwen2, основанная на unsloth/qwen2.5-3b-instruct-unsloth-bnb-4bit. Модель предназначена для генерации текста и диалогового взаимодействия; карточка указывает на обучение с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру Qwen2ForCausalLM и 3,1 млрд параметров, поддерживает контекст до 32 768 токенов и принимает текст на английском языке. В метаданных также указана возможность интерфейса вызова инструментов. Специализация на научном рассуждении отражена в названии, однако карточка не приводит конкретных оценок или подтверждения качества в научных задачах. Лицензия — Apache-2.0.