IV.5Образование и развитие навыков

JustRL-DeepSeek-1.5B — языковая модель на 1,5 млрд параметров, разработанная в рамках проекта JustRL и дообученная на DeepSeek-R1-Distill-Qwen-1.5B. Это плотная модель семейства Qwen2 для генерации текста в диалоговом формате; её специализация — математические рассуждения и решение задач. В обучении использовались GRPO с бинарной оценкой результата и набор DAPO-Math-17k, без многоэтапного конвейера и динамического расписания гиперпараметров. Модель предназначена для ответов на математические задачи и оценки подходов к обучению с подкреплением компактных языковых моделей. В README приведены результаты на наборах AIME, AMC, MATH-500, Minerva и OlympiadBench. Метаданные указывают контекст до 131 072 токенов; в описании рецепта обучения упоминается ограничение длины контекста 16 000 токенов. Модель принимает и генерирует текст, заявлен английский язык. Весовые файлы опубликованы в формате Safetensors, лицензия — Apache-2.0. Размер 1,5 млрд параметров ограничивает её возможности по сравнению с более крупными моделями; результаты бенчмарков не гарантируют точность для произвольных математических задач.

gabe-rbo/limite-1b-violetto-mlx — версия модели Limite 1B - Violetto, подготовленная для запуска на Apple Silicon с библиотекой MLX. Это плотный авторегрессионный трансформер примерно на 1 млрд параметров, разработанный Paradigma и дообученный на основе paradigma-inc/limite-1b-violetto. Модель предназначена для генерации текста и диалогового решения сложных математических задач с упором на скорость и соревновательный уровень. В README приведены результаты на AIME 2026, BeyondAIME, HMMT February 2026 и AIME 2025. Модель поддерживает контекст до 131 072 токенов и распространяется в формате Safetensors. Указана лицензия Apache-2.0. Карточка описывает её как MLX-сборку для Apple Silicon; результаты бенчмарков относятся к перечисленным математическим тестам и сами по себе не гарантируют такое же качество на других задачах.

Llama-Doctor-3.2-3B-Instruct — языковая модель для генерации текста и диалоговых ответов, созданная PrithivMLmods дообучением Meta Llama 3.2 3B Instruct на датасете avaliev/chat_doctor. Она предназначена для следования инструкциям и ответов в разговорных сценариях, в том числе на медицинские и технические вопросы. Модель имеет плотную архитектуру LlamaForCausalLM, содержит 3,2 млрд параметров и принимает текстовые запросы, выдавая текст. Для неё указано окно контекста 131 072 токена; карточка называет Transformers и PyTorch для работы с моделью. Модель может использоваться в чат-ботах, виртуальных помощниках и инструментах генерации объяснений, кратких пересказов и ответов на вопросы. Специализированный обучающий набор ориентирован на диалоги с врачом, однако описание не подтверждает медицинскую точность или пригодность для принятия клинических решений. Лицензия — llama3.2; применяются условия лицензии Meta Llama 3.2.

Math-aware RoBERTa — модель на архитектуре RoBERTa, подготовленная авторами репозитория для ARQMath 3. Она инициализирована весами RoBERTa-base и дополнительно предобучена за один этап на Math StackExchange; в токенизатор добавлены дополнительные токены LaTeX для обработки математических формул. Модель содержит 152,2 млн параметров и рассчитана на контекст до 514 токенов. Это базовый чекпойнт для последующего дообучения под математические задачи, например классификацию или ответы на вопросы. В опубликованном виде модель не дообучена для конкретной прикладной задачи; основной доступный сценарий — заполнение маски в математическом тексте. Поддерживаемый язык — английский. Модель распространяется по лицензии CC BY 4.0.

Модель rmtariq/multilingual-emotion-classifier — дообученный классификатор эмоций на базе XLM-RoBERTa с 305,2 млн параметров. Она распределяет текст по семи классам: радость, любовь, удивление, отсутствие явно выраженной эмоции, грусть, гнев и страх. Модель обучена на сбалансированном корпусе из 840 примеров отзывов студентов малайзийских вузов, включающем стандартный малайский язык, 13 региональных диалектов и смешение малайского с английским (Manglish); контекст — до 514 токенов. Модель предназначена для мониторинга эмоций и тональности в отзывах студентов малайзийских высших учебных заведений, в том числе в неформальных сообщениях с диалектами и переключением языков. В карточке сообщается о точности 0,9796 и macro-F1 0,9753 на тестовой выборке из 147 примеров; малый размер корпуса ограничивает обобщение этих результатов на другие тексты и аудитории. Лицензия — Apache-2.0.

Naija-Petro 8B — специализированная языковая модель проекта Naija-Petro, разработанная Shinzmann для ответов на технические вопросы по нефтегазовой инженерии. Это дообученная методом QLoRA модель Qwen3-8B с архитектурой decoder-only causal LM и примерно 7,6 млрд параметров. Она рассчитана на англоязычные запросы и поддерживает контекст до 40 960 токенов. Модель объясняет понятия, уравнения и рабочие процессы в бурении, разработке месторождений, добыче, заканчивании скважин, увеличении нефтеотдачи, испытании скважин и нефтяной геонауке. Её можно применять как учебный помощник, для поддержки инженерных решений и как основу для RAG-ассистентов или дальнейшего дообучения. По карточке, ответы могут быть структурированными и учитывать уравнения и единицы измерения, но надёжных численных оценок качества пока нет. Обучающие данные преимущественно синтетические и отражают общие мировые знания о нефтяной отрасли. Модель может уверенно ошибаться, особенно в численных деталях и сведениях о регулировании, экономике и организациях Нигерии; для актуальных и локальных фактов рекомендуется использовать RAG с проверяемыми источниками. Её не следует применять для автономных, критически важных для безопасности или финансовых решений. Лицензия — Apache-2.0.

Это дообученная модель Qwen2.5-Math-1.5B от ypwang61, представленная в работе «Reinforcement Learning for Reasoning in Large Language Models with One Training Example». Она предназначена для генерации текста и решений математических задач; дообучение выполнено методом RLVR на наборе One-Shot-RLVR-Datasets с одним обучающим примером. Модель имеет плотную архитектуру Qwen2, содержит 1,5 млрд параметров и использует Transformers и формат Safetensors. Максимальный нативный контекст — 4096 токенов. Базовая модель рассчитана на математику на английском и китайском языках; отдельные языковые характеристики производной модели в карточке не описаны. Модель распространяется по лицензии Apache-2.0. README не приводит результатов оценки качества или подробностей о границах применения, поэтому численные заявления о её точности сделать нельзя.

SeongryongJung/Qwen3-8B-Biology-SRPO-TR — дообученная версия Qwen3-8B, обученная методом SRPO-TR на биологической задаче с размером батча 32. В репозитории находятся лучший контрольный чекпойнт на шаге 30, выбранный по валидационной метрике mean@16, и финальный чекпойнт на шаге 100. Модель предназначена для генерации текста и решения задач по биологии. В описании приведён результат валидации mean@16: 55,00% для лучшего чекпойнта и 54,12% для финального. Модель имеет 7,6 млрд параметров, архитектуру Qwen3ForCausalLM, принимает текст и поддерживает контекст до 40 960 токенов. Она загружается через Transformers; веса представлены в формате Safetensors. Модель основана на Qwen/Qwen3-8B и распространяется по лицензии Apache-2.0. Результат приведён для указанного биологического набора данных; README не раскрывает его состав и не приводит сравнительных оценок на других задачах, поэтому качество за пределами описанного эксперимента не установлено.

Qwen3-8B-DAPO-iter599-thinking — промежуточный чекпойнт Qwen3-8B, дообученный командой pb09204048 методом GRPO/DAPO с подкреплением на наборе математических задач DAPO-Math-17K. Модель использует плотную авторегрессионную архитектуру Qwen3ForCausalLM и содержит 7,6 млрд параметров. Чекпойнт сохранён на 599-й итерации обучения; при обучении был включён режим рассуждений. Модель предназначена прежде всего для генерации ответов на математические задачи с пошаговым рассуждением. Внутренняя оценка на AIME-24 для этого чекпойнта составила 73,75% pass@1 при конкретных параметрах выборки; результаты колебались, а README сообщает, что явного улучшения относительно базовой модели в режиме рассуждений не обнаружено. Контекст по метаданным — 40 960 токенов. Модель принимает текст и выдаёт текст; карточка описывает математическое обучение, но не подтверждает специализацию на конкретном естественном языке. Для применения требуется совместимая среда Transformers. Репозиторий распространяет промежуточный чекпойнт в формате safetensors; лицензия — Apache-2.0. Результаты оценки получены во время обучения и не должны напрямую сравниваться с оценками другого чекпойнта, рассчитанными по иной процедуре.

JoaoGuiAlves/thagiPo-llama3.2-1B-math — дообученная разработчиком на TRL текстовая модель семейства Llama 3.2. Она основана на meta-llama/Llama-3.2-1B, имеет около 1,2 млрд параметров и предназначена для генерации текста в диалоговом формате; в названии заявлена математическая специализация. Модель принимает текстовые запросы и генерирует текст, поддерживает контекст до 131 072 токенов и распространяется в формате safetensors для Transformers. Карточка не приводит результатов математических тестов или подробностей о тренировочных данных, поэтому качество решения математических задач по этим сведениям оценить нельзя. Условия лицензии в предоставленных материалах не указаны.

TR-Qwen2-1.5B-002-241130 — экспериментальная дообученная языковая модель Quardo на архитектуре Qwen2 с 1,5 млрд параметров. Она предназначена для генерации ответов на вопросы на турецком языке, в том числе решения математических задач из GSM8K-Turkish. Пример в карточке показывает пошаговое решение простой задачи о количестве часов в неделе. Модель дообучена на Together AI на наборе данных GSM8K-Turkish, подготовленном Yıldız Teknik Üniversitesi. В метаданных указаны контекст до 131 072 токенов, формат safetensors и возможность диалогового использования. Карточка называет её экспериментом по дообучению; лицензия не указана в предоставленных данных.

renikud/whisper-he-ipa — модель распознавания речи на базе Whisper Large v3 Turbo, дообученная ivrit-ai для преобразования ивритской речи в фонемную транскрипцию IPA. Она предназначена для транскрибирования произнесённого на иврите текста на уровне фонем, например для лингвистического анализа речи и построения систем обработки произношения. Модель содержит около 905,2 млн параметров, использует архитектуру Whisper и доступна в формате safetensors для Transformers. Результат записывается в ASCII-безопасном варианте иврита IPA: некоторые символы IPA заменены ASCII-символами; README описывает нормализацию вывода в инвентарь фонем иврита. Модель рассчитана на аудио на иврите и выдаёт текстовую фонемную транскрипцию. Лицензия — Apache-2.0.

ishikaa/acquisition_student_medmcqa_gradient_sft_llama8b — текстовая генеративная модель на базе архитектуры Llama с дообучением методом supervised fine-tuning (SFT). Модель опубликована пользователем или организацией ishikaa и содержит около 7,5 млрд параметров; для работы предполагается библиотека Transformers. Название модели указывает на связь с задачей MedMCQA и медицинскими вопросами с вариантами ответа. Модель предназначена для генерации ответов и диалоговых сценариев, включая формулирование ответов на медицинские вопросы и объяснений к ним. Она поддерживает контекст длиной до 131 072 токенов, что позволяет обрабатывать длинные входные инструкции и документы. В метаданных также отмечены conversational-сценарии и формат safetensors. README содержит только автоматически сгенерированную карточку и не предоставляет сведений о разработчиках, лицензии, языках обучения, датасете, методике оценки или результатах тестирования. Поэтому модель следует использовать как исследовательский инструмент и обязательно проверять её ответы, особенно в медицинских сценариях.

AI Material Mechanics Assistant — языковая модель CYHcyh66 для ответов на вопросы по механике материалов. Это причинная модель генерации текста семейства Qwen2.5-7B с 7,1 млрд параметров и контекстом до 131 072 токенов; репозиторий содержит веса safetensors для Transformers. Модель дообучена на инструкциях с помощью LoRA и предназначена для работы на китайском языке. Модель объясняет понятия напряжения и деформации, упругие деформации, изгиб, кручение, потерю устойчивости и критерии прочности, а также разбирает учебные инженерные задачи и расчёты пошагово. Она подходит для учебного повторения и исследовательского освоения основ механики материалов и инженерной механики. Обучение опиралось на китайский набор из 238 примеров. Модель не проходила систематическую оценку на отложенной выборке; ответы и расчёты могут содержать ошибки, поэтому их следует сверять с учебниками, стандартами, моделированием, экспериментами или специалистами. Лицензия в предоставленных сведениях не указана.

ShadNygren/BioTechFineTuneTest — дообученная ShadNygren модель семейства Llama на основе Weyaxi/Einstein-v6.1-LLama3-8B-Instruct-Ties. Модель с архитектурой LlamaForCausalLM содержит 7,5 млрд параметров, принимает текст и генерирует текст; длина контекста — 8192 токена. Для дообучения использован слегка изменённый инструкционный набор англоязычных учебников для медицинских экзаменов Medilora/us_medical_license_exam_textbooks_en. Модель предназначена для генерации ответов и учебных материалов по медицине и биологии, в частности для экспериментальной оценки на задачах медицинских экзаменов. В карточке указано, что модель обучалась с Unsloth и TRL; веса доступны в формате safetensors. Лицензия — Apache-2.0. Разработчик обозначает модель как предназначенную только для тестирования и оценки.

DAGGER-4B-SFT-GRPO — компактная модель Shubhashis Roy Dipta и соавторов для математических задач с отвлекающей информацией. Она дообучена методом SFT, а затем GRPO на базе Gemma 3 4B Instruct и предназначена для генерации вычислительных графов, помогающих выполнять рассуждения по текстовым задачам. Модель содержит 4 млрд параметров и работает через библиотеку Transformers. Модель ориентирована на математические текстовые задачи, в том числе на бенгальском языке, и рассчитана на сценарии с ограниченными вычислительными ресурсами. В описанных тестах она улучшает взвешенную точность относительно версии после одного SFT этапа, но заметно теряет точность при добавлении отвлекающих данных и уступает варианту на 12B параметров. Базовая Gemma 3 поддерживает изображения, однако карточка этой производной модели описывает задачи генерации текста и вычислительных графов, а не обработку изображений. Лицензия — Gemma.

DeepSeek-V4-Pro-Qwen3.5-4B — компактная модель для генерации текста и рассуждений, опубликованная Jackrong. Она представляет собой дообученную версию Qwen3.5-4B, обученную на ответах DeepSeek-V4-Pro в режиме Max Effect. Модель ориентирована на воспроизведение многошаговых рассуждений, декомпозицию задач и решение задач математики и STEM; заявленный учебный набор включает около 250 000 соответствующих примеров. Модель содержит около 4 млрд параметров и поставляется в формате GGUF, что делает её подходящей для более доступного локального развертывания по сравнению с крупными моделями. Указаны поддерживаемые языки английский и китайский, задача — text generation. В README также упоминается оценка MTP-Q8, а проверка проводилась на полных запусках GSM8K и фиксированных выборках MMLU-Pro по математике, физике и химии, однако конкретные результаты не приведены. Сильные стороны модели — компактный размер, специализация на математическом и научном рассуждении и использование дистилляции от более мощной модели. Ограничениями являются меньший масштаб относительно исходной модели-учителя и отсутствие в представленном описании подробных данных о точности, максимальном контексте, архитектуре и мультимодальных возможностях, поэтому её качество в общих задачах и поддержка других сценариев не подтверждены. Лицензия — Apache-2.0.

entfane/math-genius-7B-GGUF — это набор квантизированных версий языковой модели math-genius-7B, разработанной entfane. Квантизацию выполнил bartowski с использованием llama.cpp, включая метод imatrix. Модель предназначена для локальной генерации текста и запускается через llama.cpp, LM Studio и другие совместимые проекты. Исходная модель имеет размер 7B параметров, но README не содержит подробностей об архитектуре, поддерживаемых языках, модальностях или размере контекстного окна. Доступны варианты от BF16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K и Q3/Q2, что позволяет выбирать между качеством ответов, размером файла и требованиями к оперативной памяти. Для большинства сценариев рекомендуются варианты Q4_K_M, Q5_K и Q6_K; низкобитные версии экономят память, но могут заметно уступать по качеству. Модель ориентирована на задачи, связанные с математической генерацией и рассуждениями, однако точные возможности и формат промптов в README не описаны. Условия лицензирования не указаны, поэтому перед использованием необходимо проверить лицензию исходной модели math-genius-7B и условия распространения квантизированных файлов.

cyboghostginx/gemma-4-E4B-it-Adetayo-IS-non-reas — дообученная на исландском языке версия Gemma 4 E4B Instruct от Google DeepMind. Модель предназначена для диалога на исландском, особенно для склонения именных групп и решения грамматических задач. В README указано около 8 млрд параметров; архитектура — плотная Gemma 4 для условной генерации, формат весов — safetensors, библиотека запуска — Transformers. Базовая модель поддерживает мультимодальную обработку, однако для этой версии заявлена текстовая генерация. В README приведены оценка 98,4 для склонения по морфологическим данным BÍN и результаты нескольких тестовых наборов; это собственные оценки авторов карточки. Для прямых ответов рекомендуется отключать режим рассуждений через шаблон чата. Модель доступна по лицензии Gemma; область допустимого использования определяется её условиями.

HuggingAnalist/gpt2-124m-cosmopedia-math — языковая модель для авторегрессионной генерации текста на основе архитектуры GPT-2, опубликованная на Hugging Face. В метаданных указаны библиотека Transformers и специализация, связанная с математикой и Cosmopedia; разработчик и лицензия не указаны. Модель предназначена для продолжения математически ориентированных текстовых фрагментов и экспериментов с генерацией текста. Она поддерживает контекст длиной до 1024 токенов и относится к задаче text-generation. Поддерживаемые естественные языки в доступных данных не указаны. Модель может быть полезна для исследовательских прототипов, генерации черновиков математических объяснений и изучения адаптации GPT-2 к тематическим данным. В карточке отсутствуют результаты оценки, сведения о параметрах обучения, точности математических рассуждений и рекомендации по безопасному применению; лицензия также не указана.

Это полноразмерное дообучение Qwen2.5-7B от автора эксперимента «How Should Incorrect Traces Be Used in Supervised Fine-Tuning?». Чекпойнт соответствует условию random_mask_70 в эксперименте с маскированием математических данных и предназначен для исследований математического рассуждения и выбора данных для supervised fine-tuning. Модель использует плотную архитектуру Qwen2 и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; в метаданных указан контекст до 131 072 токенов. Обучение проведено на OpenR1-Math-220k, финальный чекпойнт получен после 125 обновлений оптимизатора. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Чекпойнт подходит для генерации решений математических задач и оценки влияния отбора и маскирования примеров SFT на качество рассуждений. Наличие правильных ответов в обучающих данных не означает, что промежуточные шаги рассуждения были проверены; README также уточняет, что обозначения ID/OOD относятся к идентичности задач относительно SFT, а не к встречаемости в предобучении.

ale045/kaggle_math_model_v7 — дообученная автором ale045 модель семейства Llama для генерации текста. Она продолжает серию Kaggle Math и основана на ale045/kaggle_math_model_v6; обучение проводилось с использованием Unsloth и библиотеки Hugging Face TRL. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и принимает контекст до 12 288 токенов. Модель предназначена для генерации текста, в том числе в математических сценариях серии Kaggle Math. Репозиторий содержит веса в формате safetensors. Лицензия Apache-2.0 разрешает использование и распространение на её условиях. Карточка не описывает конкретные бенчмарки или ограничения качества.

Это GGUF-квантизированная версия языковой модели LFM2-350M-Math от Liquid AI, подготовленная пользователем bartowski. Модель предназначена для генерации текста и ориентирована на математические задачи. Квантизация выполнена с помощью llama.cpp с использованием метода imatrix, поэтому модель подходит для локального запуска в LM Studio, llama.cpp и других совместимых приложениях. В репозитории представлены варианты от исходных весов BF16 размером около 0,71 ГБ до сильно сжатых форматов Q2 и Q3 размером примерно 0,18–0,22 ГБ. Наиболее качественными считаются BF16, Q8_0, Q6_K_L, Q6_K, Q5 и Q4; варианты с более низкой разрядностью экономят память, но могут заметно уступать в качестве. Данные об архитектуре, поддерживаемых языках, длине контекста, мультимодальности, формате промпта и лицензии в README не указаны, поэтому эти характеристики нельзя достоверно определить по представленным данным.

RedHatAI/Llama-2-7b-gsm8k-pruned_70 — разреженная на 70% версия Llama 2 7B, дообученная Neural Magic на наборе GSM8K для арифметических рассуждений. Это авторегрессионная языковая модель архитектуры Llama с 6,6 млрд параметров и контекстом 4096 токенов; она принимает текстовые задачи и генерирует текстовые ответы с вычислениями и объяснениями. Модель предназначена для решения математических задач начального и среднего уровня, особенно задач в формате GSM8K. В README приведён результат 34,3% на GSM8K в режиме zero-shot; для ускоренного вывода с использованием разреженности предлагаются nm-vllm и DeepSparse, также поддерживается запуск через Transformers. Веса доступны в форматах PyTorch и Safetensors. Карточка не указывает лицензию, поэтому условия распространения и коммерческого использования по имеющимся данным определить нельзя. Результат на GSM8K указывает на ограниченную точность; ответы модели следует проверять, а её специализация не гарантирует надёжность в других областях.

MiMo-7B GDN Hybrid — stage3-2.0B-OPD — это экспериментальный чекпойнт на 7 млрд параметров, созданный arianraje методом on-policy distillation с учителем XiaomiMiMo/MiMo-7B-RL-0530. Модель объединяет слои внимания Qwen2 и Gated DeltaNet в соотношении 1:4 и предназначена для генерации текста в диалогах и задач математического рассуждения; в карточке приведены результаты на AIME24, AIME25 и MATH-500. Контекстное окно составляет 65 536 токенов. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Для загрузки нужна регистрация архитектуры mimo_gdn из обучающего репозитория, Transformers 4.57.x и flash-linear-attention 0.5.x. Оценки AIME получены всего на 30 задачах и имеют высокую статистическую неопределённость; автор отдельно характеризует их как данные для наблюдения за трендом.

LeroyDyer/Mixtral_BioMedical — языковая модель семейства Mistral, разработанная автором репозитория и ориентированная на медицинские тексты. Карточка заявляет обучение на медицинских датасетах и улучшение исходной модели; архитектура — плотная MistralForCausalLM, около 7,1 млрд параметров, контекст — до 32 768 токенов. Модель принимает текст и генерирует текст на английском языке; метаданные также отмечают поддержку задач, связанных с кодом. Модель предназначена для генерации медицинских текстов и ответов на профильные запросы. Автор характеризует её как высоко оцениваемую, однако README не приводит бенчмарки, состав датасетов или подробности обучения. Лицензия — MIT. Карточка не подтверждает пригодность для клинических решений, поэтому результаты требуют проверки специалистом.

NuminaMath-7B-TIR-IMat-GGUF — это GGUF-квантизированная версия текстовой генеративной модели AI-MO/NuminaMath-7B-TIR. Модель подготовлена пользователем legraphista с помощью llama.cpp и предназначена для локального запуска через совместимые инструменты, включая llama.cpp. По названию и базовой модели она ориентирована на задачи, связанные с математическими текстами и рассуждениями, однако подробное описание исходного обучения и целевых сценариев в README не приведено. Модель имеет около 7 млрд параметров и создана на основе исходного представления BF16. Доступны варианты BF16, F16 и различные уровни квантизации GGUF — от Q8_0 до Q2_K, включая форматы IQ. Для ряда вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера, а размеры файлов варьируются примерно от 2,7 до 13,8 ГБ. Модель работает с текстом; сведения о поддерживаемых языках, максимальном контексте и мультимодальности отсутствуют. Основное преимущество — широкий выбор вариантов квантизации для подбора компромисса между качеством, потреблением памяти и скоростью локального инференса. Ограничения включают возможную потерю качества в более агрессивно квантизированных версиях, а также отсутствие в README результатов оценки, данных о языках и точного контекстного окна. Модель распространяется по лицензии Apache-2.0.

NV-Reason-CT — разработанная NVIDIA мультимодальная модель для анализа трёхмерных компьютерных томограмм грудной клетки и брюшной полости. Она принимает томограмму в формате NIfTI и текстовый запрос, а отвечает текстом: формирует радиологические описания, отвечает на вопросы и выдаёт анализ с рассуждением, которое можно отключить для получения краткого ответа. Архитектура сочетает 3D-энкодер зрения Primus 3D ViT, инициализированный из COLIPRI, с языковой моделью Qwen3.5-4B и позиционным кодированием 3D MRoPE. Модель обучена сквозным образом с SFT и GRPO на корпусе примерно из 550 тысяч структурированных примеров вопросов и ответов по КТ. В активном тракте анализа КТ около 4,35 млрд параметров; всего в чекпойнте 4,69 млрд с учётом сохранённых 2D-модулей. Объёмы автоматически обрезаются до грудной клетки или брюшной полости и приводятся к изотропному разрешению 2 мм. Модель предназначена для исследовательских и образовательных сценариев: помощи радиологам и студентам при разборе КТ, подготовке черновиков описаний и изучении клинических случаев. Она не предназначена для клинической диагностики или принятия решений о лечении; результаты должны проверяться квалифицированными специалистами, а сгенерированные рассуждения не гарантируют точного отражения внутренних вычислений модели. Лицензия — OpenMDW 1.1.

birgermoell/oellm-9b-math-rlvr-phase-a-32step-experimental — экспериментальный чекпойнт OpenEuroLLM, созданный автором репозитория как продолжение обучения математическим задачам. Это плотная причинно-языковая модель Qwen3 примерно на 8 млрд параметров, дообученная на 32 дополнительных шагах DAPO/RLVR с проверяемой наградой за математический ответ. Она предназначена для генерации решений и ответов на многоязычные математические задачи; основная обучающая выборка включала задачи на 23 официальных языках ЕС и небольшой английский набор. В замороженной оценке на процедурных математических задачах на нескольких языках результат вырос с 36,33% у исходного чекпойнта до 38,87%; на внешнем диагностическом наборе DAPO-Math улучшение не было подтверждено. Это ограниченный эксперимент, а не свидетельство общего превосходства в математике или готовности к промышленному применению. Хотя архитектура поддерживает контекст до 262 144 токенов, данный прогон обучения использовал ограничение упаковки в 3 072 токена, поэтому качество на длинном контексте не установлено. Модель распространяется в формате safetensors/BF16 по лицензии Apache-2.0.

BayesRL/Olmo3-C3PO-7B — плотная авторегрессионная языковая модель семейства Olmo 3, разработанная BayesRL и дообученная методом C3PO для обучения с верифицируемыми наградами. Она основана на BayesRL/Olmo3-IVON-SFT-7B, использующем в качестве исходной модели allenai/Olmo-3-1025-7B. C3PO сочетает GRPO с оптимизатором IVON: модель исследует варианты поведения через возмущения параметров, распределённые между группами генераций, и применяет Seq-MIS для коррекции оценок. Модель содержит 6,9 млрд параметров, принимает текст и генерирует текст, поддерживает контекст до 65 536 токенов. В карточке указана поддержка английского языка. Модель предназначена прежде всего для генерации ответов и математических рассуждений; её оценивали на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступна в формате safetensors для Transformers и распространяется по лицензии Apache-2.0. Результаты зависят от формулировки задачи, а заявленная специализация и оценки сосредоточены на математических задачах.