IV.5Образование и развитие навыков

Wav2Vec2-Ru-Child — модель автоматического распознавания русской речи, разработанная Dysata и дообученная на вручную транскрибированных записях детского чтения. Она основана на архитектуре wav2vec2 с CTC-декодированием и предназначена для распознавания детской речи, побуквенного выравнивания эталонного текста с аудио и анализа произношения. В карточке указаны 24 трансформерных слоя, 16 голов внимания и размер словаря 37 токенов: буквы русского алфавита и служебные символы. Метаданные каталога сообщают о 402,7 млн параметров; README приводит другую оценку — около 317 млн. Для оптимального качества модель рассчитана на русские аудиозаписи WAV с частотой 16 кГц. Скрытые состояния последнего слоя можно использовать как признаки для отдельного классификатора произношения. Модель ориентирована на детскую речь и может хуже распознавать взрослых говорящих; поддерживается только русский язык. Репозиторий распространяется под лицензией MIT.

mjpsm разработала дообученную модель Qwen2.5-0.5B-Instruct для генерации следующего учебного микро-задания в экосистеме MyVillage. На вход подаются цель обучения, название предыдущего задания, ответ ученика и дополнительные рекомендации Villager Wisdom. Модель выдаёт одно короткое задание в формате JSON с полями title, description и instructions. Модель построена на архитектуре Qwen2 с 494 млн параметров и контекстом до 32 768 токенов. Она дообучена методом supervised fine-tuning с LoRA; адаптер объединён с базовой моделью, поэтому опубликован самостоятельный чекпойнт. Карточка указывает английский язык. Модель рассчитана на узкую образовательную задачу: она учитывает ответ ученика как свидетельство понимания и при недостаточных данных должна предлагать уточняющий следующий шаг, а не предполагать освоение материала. Лицензия — Apache-2.0. Из-за небольшого размера модель может выдавать некорректный JSON, повторяющиеся задания и хуже справляться со сложной историей обучения или запросами вне распределения обучающих данных. Результат следует проверять и валидировать перед показом ученику; модель не проверяет достоверность переданных рекомендаций.

JacobLinCool/IELTS_essay_scoring_safetensors — модель на базе RoBERTa для автоматической оценки эссе IELTS. По README, разработчики обучили её на 18 000 реальных экзаменационных эссе с официальными оценками; модель предсказывает баллы по пяти измерениям: выполнение задания, связность и cohesion, словарный запас, грамматика и общий балл по стандартам IELTS. Репозиторий содержит веса в формате safetensors для PyTorch; архитектура — RobertaForSequenceClassification, размер — 151,8 млн параметров, контекст — 514 токенов. Модель предназначена для предварительной или автоматизированной оценки английских эссе IELTS. В README приведены результаты на тестовой выборке: accuracy 0,82 и F1 0,81; авторы отмечают, что точность ещё планируется улучшать. Эти показатели не гарантируют сопоставимого качества на эссе из других источников. Лицензия — MIT.

Llama-3.2-3B-Math-Oct — дообученная модель prithivMLmods на основе Meta Llama 3.2 3B Instruct. Это плотная авторегрессионная трансформерная языковая модель на 3,2 млрд параметров, предназначенная для решения математических задач и диалоговой помощи. Она подходит для арифметики, алгебры, анализа и теории вероятностей, объяснения решений по шагам, разбора текстовых условий и ролевой симуляции математического репетитора. Модель работает с текстом, поддерживает английский язык и имеет контекст до 131 072 токенов. Модель доступна в формате Safetensors для Transformers; карточка описывает запуск через Transformers версии 4.43.0 или новее. Указана лицензия Llama 3.2. Ответы могут содержать математические ошибки, особенно в сложных или неоднозначных задачах; небольшая по сравнению с крупными моделями ёмкость также ограничивает работу со специализированными темами и общими запросами вне математики.

Merlyn-education-corpus-qa — языковая модель Merlyn Mind для образовательной сферы, построенная на архитектуре GPT-NeoX и дообученная на базе Pythia-12B. Карточка README указывает размер 12 млрд параметров, а метаданные Hugging Face — 15,4 млрд; поэтому точный размер по доступным сведениям расходится. Модель принимает текст и генерирует ответы, опираясь на предоставленные фрагменты информации; её предполагаемый сценарий — вопросно-ответный диалог по корпусу документов в составе системы с поиском и извлечением контекста. Контекст модели составляет 2048 токенов. Модель предназначена для образовательных сценариев в классе и вне его, например для ответов на вопросы по учебным материалам. README сообщает, что запуск в полной точности требует более 48 ГБ видеопамяти; в качестве примера указана одна A100 с 80 ГБ, а для меньших ресурсов предлагается снижать точность или использовать несколько GPU. Лицензия — Apache-2.0.

Карточка модели CogBase-USTC/Qwen2.5-Math-7B-Instruct-SocraticLM на Hugging Face совпадает с карточкой CogBase-USTC/SocraticLM, поэтому описание составлено по ней. SocraticLM — дообученная модель CogBase-USTC на базе Qwen2.5-Math-7B-Instruct, обученная на наборе SocraTeach. Она предназначена для обучения математике: помогает ученикам разбираться в решении задач с помощью вопросов и подсказок в сократическом стиле, а также может самостоятельно решать математические задачи. Модель поддерживает английский и китайский языки и доступна в формате safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

Qwen3-1.7B SAEB Math Question Generator v3 — адаптер QLoRA на базе Qwen3-1.7B, разработанный для генерации вопросов по математике в стиле SAEB, национальной системы оценки базового образования Бразилии. Модель предназначена для учителей и образовательных приложений, которым нужны вопросы с несколькими вариантами ответа для 1–9 классов. Она формирует структурированные объекты JSON и может запускаться локально без подключения к сети через llama.cpp; в репозитории доступны адаптер LoRA и объединённая версия GGUF с квантизацией Q4_K_M, а также веса safetensors. Модель обучена методом supervised fine-tuning с QLoRA на примерах вопросов для шести классов. В README описаны фиксированный формат JSON и проверка результата генерации с повторной генерацией при ошибке. Карточка указывает поддержку португальского и английского языков; модель ориентирована на математические задания SAEB в бразильском образовательном контексте. Лицензия — Apache-2.0. Среди ограничений — слабая автоматическая проверка математики для части заданий 9-го класса, неполный охват целевых навыков и отсутствие независимой масштабной проверки качества обучающих примеров людьми. Перед использованием с учащимися вопросы следует проверять преподавателю; модель не предназначена для оценивания с высокими ставками. Скорость и расход памяти на телефонах для этой версии не измерены.

LIAMF-USP/roberta-large-finetuned-race — модель на архитектуре RoBERTa-large, дообученная на наборе RACE для решения задач с выбором одного варианта ответа. Она предназначена для ответов на вопросы по тексту и чтения с пониманием, включая задания школьного уровня. В карточке приведена точность 84,9% на полном тестовом наборе RACE, 83,5% на тесте старшей школы и 88,0% на тесте средней школы; для оценки указано 85,2%. Модель содержит 454,1 млн параметров, поддерживает контекст до 514 токенов и опубликована в форматах PyTorch, TensorFlow и Flax. Лицензия — MIT.

SmolLM2-Math-IIO-1.7B-Instruct — дообученная PrithivMLmods англоязычная модель генерации текста на архитектуре Llama, созданная на базе HuggingFaceTB/SmolLM2-1.7B-Instruct. Она предназначена для математических задач и следования инструкциям; по карточке обучена на датасете prithivMLmods/Math-IIO-68K-Mini. Модель помогает решать задачи от арифметики до уравнений и математических доказательств, а также выдавать пошаговые объяснения и учебные материалы. Это плотная модель на 1,7 млрд параметров с контекстом до 8192 токенов, поддерживающая текстовый диалог и генерацию. Для запуска карточка рекомендует PyTorch и Transformers. Лицензия — CreativeML Open RAIL-M.

Eklav-4B-Math — диалоговая языковая модель AdarshSingh7647 для решения математических задач и пошаговых рассуждений. Это дообученная методом Eklav модель Qwen/Qwen3-4B с 3,7 млрд параметров, архитектурой Qwen3 и контекстом до 40 960 токенов. Она принимает текст и генерирует текст; при обучении модель училась продолжать частичный след рассуждений учителя и самостоятельно получать ответ, а не копировать весь след целиком. По данным карточки, на шести математических бенчмарках модель в среднем превзошла стандартную дистилляцию полных цепочек рассуждений на 3,5 процентного пункта pass@1 при одинаковой базовой модели и обучающих данных. Указаны результаты на AIME, GPQA-Diamond, GSM8K, MATH-500 и Omni-MATH; оценки получены в одном прогоне. Модель загружается через Transformers. Сведения о лицензии в предоставленных данных отсутствуют.

MAmmoTH-7B-Mistral — языковая модель семейства Mistral, разработанная TIGER-Lab и дообученная для решения математических задач общего назначения. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Обучение проведено на наборе MathInstruct, объединяющем 13 наборов данных с математическими обоснованиями. Модель формирует решения с пошаговым рассуждением (CoT) и программным рассуждением (PoT); её можно применять в образовательном ПО, системах репетиторства и для получения решений математических задач. В карточке описана оценка на наборах GSM, MATH и MMLU-Math. Качество может снижаться на сложных или специфических задачах, а охват математических областей неполон. Лицензия модели — MIT.

Math IIO 7B Instruct — дообученная PrithivMLmods языковая модель на архитектуре Qwen2.5-7B-Instruct с 7,1 млрд параметров. Она предназначена для математических задач, пошаговых вычислений и ответов на инструкции; поддерживает диалоговый режим и контекст до 32 768 токенов. В карточке заявлена поддержка математической нотации с помощью дополнительных токенов. Модель подходит для решения задач от арифметики до математического анализа и линейной алгебры, объяснения решений в учебных сценариях и аналитических запросов. Она принимает текст и генерирует текст. Обучение связано с набором данных prithivMLmods/Math-IIO-68K-Mini. Лицензия — CreativeML Open RAIL-M.

Mnemosyne-7B — экспериментальная языковая модель, созданная объединением нескольких предварительно обученных моделей. В состав слияния входят Mistral-7B-Instruct-KhanAcademy-v0.2, Eurus-7b-kto, Newton-7B и Mistral-7B-Instruct-v0.2; для объединения использован mergekit с методом model_stock. Архитектура — плотная MistralForCausalLM примерно на 7,1 млрд параметров, модель предназначена для диалоговой генерации текста и ответов на инструкции. Она ориентирована на информативные и образовательные ответы. Контекст — до 32 768 токенов; репозиторий содержит веса Safetensors, а README также упоминает GGUF. Автор предупреждает, что качество и возможности модели не гарантированы и требуют дополнительного тестирования и оценки. Лицензия — Apache-2.0.

isy-thl/multilingual-e5-base-course-skill-tuned — модель эмбеддингов на базе XLM-RoBERTa, дообученная Institut für Interaktive Systeme при Университете прикладных наук Любека и партнёрами в проекте WISY@KI на основе intfloat/multilingual-e5-base. Она предназначена для семантического поиска и сопоставления описаний курсов с релевантными профессиональными навыками на немецком языке, в том числе из таксономий ESCO и GRETA. Модель кодирует запросы и навыки в векторы размерности 768, которые сравниваются по косинусному сходству; поддерживаются входные последовательности до 514 токенов по метаданным репозитория. Модель может применяться для поиска навыков в каталоге курсов, построения образовательных рекомендательных систем и связывания учебных программ с компетенциями. В README сообщается об улучшении retrieval-метрик относительно базовой модели на задачах ESCO и GRETA; для повышения точности предлагается дополнительно использовать отдельный reranker. Лицензия — MIT. Оптимизация выполнена для немецкого языка, поэтому качество на других языках и незнакомых таксономиях навыков не подтверждено.

Gurveer05/mxbai-embed-large-v1-eedi-2024 — дообученная модель Sentence Transformers на базе mixedbread-ai/mxbai-embed-large-v1. Она преобразует предложения и абзацы в плотные эмбеддинги размерности 1024 и предназначена для сравнения текстов по косинусному сходству, семантического поиска, поиска перефразировок, кластеризации и классификации текста. В обучающих примерах использованы образовательные задания по математике и описания типичных заблуждений учащихся, поэтому модель может быть полезна для сопоставления вопросов и ответов или поиска похожих учебных ошибок. Модель построена на BERT и использует Sentence Transformers с пулингом CLS-токена. Максимальная длина входа — 512 токенов; библиотека — sentence-transformers. В README приведена оценка бинарной классификации с точностью по косинусному сходству 0,9992, но она относится к указанной оценке и не гарантирует качество на других данных. По базовой модели можно установить англоязычную основу; самостоятельные сведения о языковом охвате дообученной версии не приведены. Лицензия в предоставленных данных не указана.

OpenAI o3-mini-high — вариант модели o3-mini с уровнем reasoning_effort, установленным на high. Это языковая модель для решения задач, требующих рассуждений, с особым упором на естественные науки, математику и STEM-сценарии. Взаимодействует с текстом и выдаёт текстовые ответы. Модель предназначена для ответов на сложные вопросы, пошагового анализа и помощи в решении научных и математических задач. В доступных сведениях не приведены размер модели, длина контекста и условия лицензии.

OpenMath-Nemotron-1.5B — языковая модель NVIDIA для решения математических задач. Она получена дообучением Qwen/Qwen2.5-Math-1.5B на наборе OpenMathReasoning. Это декодерный трансформер Qwen2.5 с 1,5 млрд параметров; модель принимает текст и генерирует текст, поддерживая контекст до 131 072 токенов. Модель предназначена для математических рассуждений и предлагает режимы пошагового решения (CoT), рассуждения с использованием инструментов (TIR) и выбора решения (GenSelect). В README приведены результаты на математических бенчмарках, но они не гарантируют точность для каждой задачи. Метаданные указывают английский язык; модель построена на математической версии Qwen, для которой каталог также отмечает английский и китайский. Лицензия — CC BY 4.0; README сообщает о готовности к коммерческому использованию.

Модель разработана aliRafik и представляет собой дообученную версию Qwen3-4B Thinking для решения математических задач. Она ориентирована на рассуждения, структурированное решение и понятные пошаговые объяснения, подбирая их подробность к сложности задачи. Модель использует плотную архитектуру Qwen3 и содержит 3,7 млрд параметров. По данным метаданных, контекст составляет до 262 144 токенов; модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. В README указаны обучение на OpenMathReasoning и MathX-5M и использование Transformers для инференса. Основной язык карточки — английский. Модель подходит для математических вопросов, учебных объяснений и экспериментов с рассуждениями. Она может ошибаться в арифметике, промежуточных рассуждениях и предположениях, а также давать лишние шаги или неверные ответы на сложные и необычные задачи; результаты следует проверять независимо. Лицензия — Apache-2.0.

ScaleQuest-Qwen2-Math-7B-QGen — генератор математических задач на основе Qwen2, выпущенный авторами исследования ScaleQuest. Модель предназначена для создания вопросов по математике с нуля; метод ScaleQuest использует небольшие открытые модели и не требует исходных примеров для сложного расширения данных. В карточке модель отнесена к генераторам вопросов, а не к решателям задач. Это плотная языковая модель Qwen2 с архитектурой Qwen2ForCausalLM и 7,1 млрд параметров. Она принимает текст и генерирует текст, поддерживает диалоговый режим, рассчитана на английский язык и имеет контекстное окно 4096 токенов. Доступны веса в формате safetensors; библиотека запуска — Transformers. Лицензия — Apache-2.0. Модель подходит для синтеза математических вопросов и подготовки наборов задач. Карточка не приводит оценок качества самого генератора или подробных ограничений по темам и уровню сложности; опубликованные результаты для решателей ScaleQuest нельзя напрямую считать оценкой этой модели.

SocraticLM — дообученная модель CogBase-USTC на базе Qwen2.5-Math-7B-Instruct, обученная на наборе SocraTeach. Она предназначена для обучения математике: помогает ученикам разбираться в решении задач с помощью вопросов и подсказок в сократическом стиле, а также может самостоятельно решать математические задачи. Модель поддерживает английский и китайский языки и доступна в формате safetensors для Transformers. Лицензия указана как other, поэтому условия использования следует уточнить в карточке модели.

TutorRL-7B-think — языковая модель, разработанная в рамках исследовательского проекта From Problem-Solving to Teaching Problem-Solving. Это дообученная методом обучения с подкреплением GRPO версия Qwen/Qwen2.5-7B-Instruct с архитектурой Qwen2 и 7,1 млрд параметров. Модель предназначена для роли преподавателя математики: она помогает ученику рассуждать, задаёт наводящие вопросы в сократическом диалоге и может воздерживаться от выдачи готового решения, когда это полезно для обучения. Модель рассчитана на интерактивные занятия по математике, генерацию диалогов для обучения и исследования педагогической настройки LLM. Она принимает текст и генерирует текст; поддерживает диалоговый режим, а указанная длина контекста составляет 32 768 токенов. Вариант think использует скрытый ход рассуждений. Репозиторий распространяется по лицензии Apache-2.0. Модель ориентирована на обучение математике, а не на универсальное решение задач или гарантированно точные ответы. Карточка не приводит оценок качества и подробностей о поддерживаемых языках, поэтому эти свойства не следует предполагать.

Xwin-Math-7B-V1.1 — модель генерации текста для решения математических задач, разработанная командой Xwin-LM на основе LLaMA 2. Это плотная авторегрессионная модель с архитектурой LlamaForCausalLM и 6,6 млрд параметров; она дообучена методом supervised fine-tuning на синтетических математических данных, включая 1,92 млн примеров GSM8K и 960 тыс. примеров MATH. Модель предназначена для пошагового решения школьных текстовых задач и задач по математике, а также для генерации объяснений и ответов. В README сообщаются результаты pass@1: 84,4% на GSM8K и 44,7% на MATH. Контекст составляет 4096 токенов. Метаданные указывают библиотеку Transformers и формат PyTorch; лицензия — Llama 2 License. Результаты зависят от способа оценки, а математические ответы модели следует проверять; README отдельно отмечает возможные небольшие расхождения результатов из-за среды и оборудования.

AceMath-RL-Nemotron-7B — языковая модель NVIDIA для пошагового решения математических задач. Это плотная причинная модель на архитектуре Qwen2 с 7,1 млрд параметров, обученная с помощью обучения с подкреплением на основе DeepSeek-R1-Distilled-Qwen-7B. Она принимает текстовые запросы и генерирует текстовые рассуждения и ответы; карточка модели рекомендует формулировать инструкции прямо в запросе и просить поместить итог в \boxed{}. Модель предназначена для математических задач, включая олимпиадную математику, и также показывает результаты на задачах программирования. В README приведены показатели на AIME 2024, AIME 2025, GSM8K, MATH500, GPQA и LiveCodeBench. Контекст — до 131 072 токенов; заявленный язык карточки — английский. Лицензия указана как other, поэтому условия использования следует уточнить в файлах репозитория.

Activity Generation Model v1.1 — дообученная языковая модель на базе Qwen2.5-0.5B-Instruct, опубликованная разработчиком mjpsm как самостоятельная модель после объединения LoRA-адаптера с базовыми весами. Она предназначена для образовательных систем MyVillage: по общей учебной цели, названию последнего выполненного задания и сообщению ученика о том, что он усвоил или где ему нужна помощь, предлагает один небольшой следующий шаг. Ответ содержит поля title, description и instructions и рассчитан на структурированный JSON-вывод. Модель построена на плотной архитектуре Qwen2 и содержит около 494 млн параметров; заявленная длина контекста — 32 768 токенов. Карточка указывает английский язык. Версия 1.1 настроена на короткие задания и постепенное продвижение в обучении. На фиксированном наборе из 20 тестовых примеров она обеспечила корректный JSON и точную схему во всех случаях, а инструкции из одного предложения — в 95% случаев; это автоматические проверки, а не оценка качества обучения людьми. Модель распространяется по лицензии Apache-2.0. Модель может неверно предположить, какое задание должно идти следующим, или добавить неподтверждённые требования; краткость ответа не гарантирует правильной педагогической последовательности. Оценка основана на небольшом фиксированном наборе, человеческая оценка качества не завершена, а перенос на иные учебные сценарии может быть менее надёжным. Результирующий JSON следует проверять, а предложения модели — рассматривать как рекомендации.

MyVillage Activity Generation v1.3.5 — это компактная диалоговая языковая модель, разработанная для генерации следующего учебного занятия в MyVillage. Она дообучена методом supervised fine-tuning с QLoRA на базе Qwen/Qwen2.5-0.5B-Instruct; архитектура — плотная Qwen2, число параметров — 494 млн. Модель принимает цель деревни, название предыдущего занятия, отправленные учеником знания и объект с книгой, главой и её содержанием, а возвращает JSON с названием занятия, описанием и инструкциями. Модель учитывает отправленные учеником знания как основное свидетельство его текущего уровня, старается не предлагать уже выполненную работу и осторожно обрабатывать расплывчатые ответы. Цель деревни служит долгосрочным контекстом. Контекст модели — до 32 768 токенов, однако обучение проводилось с целевой длиной 1 024 токена. Лицензия — Apache-2.0. Чекпойнт экспериментальный: он обучен на 325 синтетических примерах, поэтому качество следует проверить на сценариях MyVillage перед использованием в производстве.

datasocietyco/bge-base-en-v1.5-course-recommender-v5 — англоязычная модель Sentence Transformer от Data Society Co., дообученная на базе BAAI/bge-base-en-v1.5 для сопоставления учебных рекомендаций и текстов. Она кодирует предложения и абзацы в плотные векторы размерности 768; сходство между ними оценивается косинусной мерой. Архитектура включает BERT, пулинг по токену CLS и нормализацию выходного вектора. Модель подходит для семантического поиска и ранжирования похожих текстов, поиска парафраз, кластеризации и классификации текста, в том числе в сценариях рекомендаций курсов. Максимальная длина входа — 512 токенов; модель принимает текст и выдаёт эмбеддинги. В метаданных указана лицензия? Нет данных о лицензии, поэтому условия использования по ней определить нельзя. Обучение опирается на 45 пар примеров, что ограничивает основания для выводов о качестве за пределами целевого сценария.

CMUBYE phoneme encoder — модель Pransfrance на архитектуре wav2vec2-XLS-R-300M, дообученная для распознавания фонем и оценки произношения. Она принимает английскую речь и с помощью CTC выдаёт последовательность фонем из 42-токенного IPA-словаря. Модель предназначена для анализа произношения на уровне фонем и слов; её можно использовать как замену vitouphy/wav2vec2-xls-r-300m-timit-phoneme. На тестовой выборке speechocean762 без пересечения дикторов с обучающей выборкой модель показала PER 0,1755, корреляцию фонемных оценок с оценками людей 0,705 и словесных оценок 0,665. Она обучалась 10 эпох на всех 24 слоях трансформера. Репозиторий содержит веса safetensors, размер модели — 402,7 млн параметров. Лицензия — Apache-2.0. Обучающая выборка ориентирована на изучающих английский с родным китайским; около 46% участников были детьми 6–8 лет. Модель может переноситься на других изучающих английский как второй язык, но для конкретной целевой группы рекомендуется дообучение на профильных аудиозаписях.

educa-ai-nemo-sft — языковая модель Digital Learning GmbH, полученная дообучением Mistral-Nemo-Instruct-2407 методом SFT на внутренних и общедоступных инструкционных данных. Это плотная decoder-only Transformer семейства Mistral с 12,1 млрд параметров; модель предназначена для диалога и генерации текста, в том числе для анализа учебных материалов и помощи учащимся при выполнении текстовых заданий. В карточке заявлена поддержка английского, французского, немецкого, испанского, итальянского, португальского, русского, китайского и японского языков. Модель поддерживает контекст до 1 024 000 токенов по метаданным; обучающие примеры имели длину до 16 384 токенов. В опубликованных сравнениях показатели различаются по языкам и тестам: например, модель показала более высокий результат базовой модели на некоторых заданиях по немецкому и испанскому, но уступила ей в ряде англоязычных и французских тестов. Разработчик называет выпуск предварительным и не рекомендует использовать его в производственной среде, пока продолжаются бенчмаркинг и улучшение данных. Дообучение не включало выравнивание предпочтений, поэтому модель может генерировать вредоносный контент. Лицензия — Apache License 2.0.

EleMo-V2 (Elementary Pedagogical Model) — специализированная большая языковая модель для раннего детского образования, разработанная командой EleMo. Модель предназначена для локального развертывания и обработки чувствительных данных без передачи наблюдений о развитии детей на внешние серверы. Она ориентирована прежде всего на преобразование кратких наблюдений в Learning Stories (Lerngeschichten) — appreciative-повествования о процессе обучения ребенка. В версии V2 используется базовая архитектура qwn 3.8.27b; модель находится в стадии активной донастройки. Она работает с текстом, ориентирована на немецкий язык и обучалась на 210 синтетических педагогических сценариях, прошедших экспертную проверку. Настройка опирается на методологию Margaret Carr и структуру «Наблюдение — Значение — Следующие шаги», а также учитывает баланс образовательных областей, возрастов, гендерных категорий и контекстов. Ключевые ограничения модели связаны с узкой специализацией, статусом версии в разработке и требованием не делать выводов, не подтвержденных исходными наблюдениями; модель не предназначена для диагностики. Лицензирование зависит от варианта. Квантизированные версии Q6 и ниже доступны бесплатно для частного, некоммерческого образовательного использования, исследований, экспериментов и локального развертывания, но коммерческое применение запрещено. Версии Q8 и BF16 требуют отдельной лицензии EleMo, в том числе для коммерческого использования, интеграции, перераспределения и предоставления модели как сервиса.

Fireball-MathMistral-Nemo-Base-2407 — языковая модель EpistemeAI для генерации текста с улучшенной поддержкой математических задач. Она дообучена методом supervised fine-tuning на MetaMathQA на основе unsloth/Mistral-Nemo-Base-2407-bnb-4bit с использованием Unsloth и TRL. Модель построена на плотной архитектуре Mistral с 12,1 млрд параметров; README указывает контекст 128 тыс. токенов, а метаданные каталога — 1 024 000 токенов. Для генерации текста принимает текстовые запросы и выдаёт текст; в карточке отмечена поддержка английского языка, а базовая Mistral Nemo обучалась на многоязычных данных. Модель подходит для решения и объяснения математических задач в диалоговом формате, а также для общей генерации текста. Выпущена под лицензией Apache 2.0. Карточка предупреждает, что базовая модель не имеет механизмов модерации; качество ответов может зависеть от формулировки задачи и параметров генерации.