IV.5Образование и развитие навыков

Kukedlc/LLama-3-8b-Maths — языковая модель семейства Llama для генерации текста и решения математических задач. Разработчик — Kukedlc; модель дообучена на базе Kukedlc/LLama-3-8b-Python с использованием набора Microsoft Orca Math Word Problems 200k. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель рассчитана на диалоговое применение и в карточке заявлена для английского языка. Её можно использовать для решения математических текстовых задач и генерации пояснений к ответам. Метаданные указывают на Apache-2.0, тогда как README сообщает лицензию other; лицензионный статус требует проверки перед использованием. README содержит противоречивую ссылку на исходную модель, поэтому базовая модель определена по метаданным.

LlamaV-o1 — мультимодальная модель для визуальных рассуждений, разработанная MBZUAI и дообученная на основе meta-llama/Llama-3.2-11B-Vision-Instruct. Модель с архитектурой mllama и 11 млрд параметров принимает изображения и текстовые инструкции и формирует текстовые ответы с последовательными объяснениями. Основное назначение — ответы на вопросы по изображениям, включая задачи на визуальное восприятие, математику, понимание документов и социальный контекст. Модель обучалась на LLaVA-CoT-100k и предназначена для диалоговых и исследовательских сценариев, требующих анализа визуального содержимого. В карточке также заявлены применение в образовательных инструментах и разговорных агентах. Указанная лицензия — Apache-2.0. Карточка отмечает возможные трудности с узкоспециализированными знаниями и неоднозначными или состязательными запросами; модель не рекомендуется для решений с высокими ставками, включая медицинскую диагностику.

LogicFlow-Gemma-3-27b-thinking — мультимодальная модель рассуждений, разработанная RekklesAI на базе Google Gemma 3 27B IT. Модель дообучена с помощью LoRA на наборах OpenO1-SFT, OpenThoughts-114k и OpenR1-Math-220k, а адаптер объединён с базовой моделью. Она предназначена для пошагового решения логических, математических и научных задач, а также для анализа изображений вместе с текстом. Модель использует архитектуру Gemma 3 и содержит 27 млрд параметров. Она принимает текст и изображения JPEG, PNG или WebP; заявленная длина контекста — 131 072 токена, разрешение изображения — до 896 × 896 пикселей. Карточка сообщает результаты на бенчмарках MATH, AIME25 и GPQA Diamond, однако это собственные заявления автора. Поддержка указана для английского языка. Модель может быть полезна для обучения, анализа диаграмм и графиков, разбора технических материалов и исследовательских задач. Её ответы и рассуждения могут быть ошибочными, особенно при сложном визуально-текстовом анализе, поэтому результаты для важных решений требуют проверки человеком. Лицензия — Gemma; применяются условия лицензии Google Gemma.

Карточка модели TIGER-Lab/MAmmoTH-70B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH-Coder-34B, поэтому описание составлено по ней. MAmmoTH-Coder-34B — языковая модель TIGER-Lab для решения математических задач, дообученная на наборе MathInstruct. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста; для запуска авторы рекомендуют библиотеку Transformers. Модель использует гибридные рассуждения: пошаговые объяснения (CoT) и программные решения (PoT), а контекст составляет 16 384 токена. Модель предназначена для решения широкого круга математических задач, в том числе в образовательных программах и системах персонального обучения. Она может формировать объяснение или представить ход решения как программу. Обучающий набор MathInstruct объединяет 13 наборов данных с математическими рассуждениями. В README отмечено, что качество зависит от сложности и формулировки задачи, а покрытие математических областей неполное. Карточка указывает лицензию MIT; авторы позиционируют модель для исследовательского использования.

MAmmoTH-7B — языковая модель семейства Llama, разработанная TIGER-Lab для решения математических задач. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и работает с контекстом до 4096 токенов. Она принимает текстовые инструкции и генерирует текстовые решения; обучение проводилось на наборе MathInstruct с примерами из разных областей математики. Модель обучена сочетать рассуждения с пошаговым объяснением (CoT) и программным подходом (PoT), поэтому подходит для решения задач, где ответ можно получить через вычисления или фрагмент кода. В README описаны сценарии использования в образовательных программах и системах репетиторства. Основной язык карточки — английский. Качество может снижаться на сложных или специфичных задачах, а покрытие математических областей неполное. Модель распространяется по лицензии MIT.

Карточка модели TIGER-Lab/MAmmoTH-Coder-7B на Hugging Face совпадает с карточкой TIGER-Lab/MAmmoTH-7B, поэтому описание составлено по ней. MAmmoTH-7B — языковая модель семейства Llama, разработанная TIGER-Lab для решения математических задач. Модель содержит 6,6 млрд параметров, использует плотную архитектуру Llama и работает с контекстом до 4096 токенов. Она принимает текстовые инструкции и генерирует текстовые решения; обучение проводилось на наборе MathInstruct с примерами из разных областей математики. Модель обучена сочетать рассуждения с пошаговым объяснением (CoT) и программным подходом (PoT), поэтому подходит для решения задач, где ответ можно получить через вычисления или фрагмент кода. В README описаны сценарии использования в образовательных программах и системах репетиторства. Основной язык карточки — английский. Качество может снижаться на сложных или специфичных задачах, а покрытие математических областей неполное. Модель распространяется по лицензии MIT.

MathCoder-L-7B — языковая модель семейства Llama, разработанная командой MathLLMs для решения математических задач. Это версия на 7B-класса, дообученная на наборе MathCodeInstruct; в README базовой моделью указана Llama 2. Модель генерирует текстовые решения математических задач и предназначена для использования через библиотеку Transformers.

MathCoder-VL-8B — мультимодальная модель семейства InternVLChat, разработанная MathLLMs для решения математических задач по изображениям и тексту. Она дообучена на базе OpenGVLab/InternVL2-8B и предназначена для общего математического решения задач, включая вопросы по диаграммам, графикам, геометрическим рисункам и другим визуальным материалам. Модель принимает изображения и текстовые запросы и формирует текстовые ответы с математическими рассуждениями. В метаданных указаны архитектура InternVLChat, формат safetensors, библиотека Transformers и поддержка английского языка. Распространяется по лицензии Apache-2.0. Карточка рекомендует использовать код обучения и вывода InternVL; подробности контекстного окна и дополнительные ограничения не приведены.

abacusai/MetaMath-Bagel-DPO-34B — плотная авторегрессионная языковая модель семейства Llama с 33,9 млрд параметров, разработанная AbacusAI. Это DPO-дообучение модели MetaMath SFT на наборе Truthy DPO; карточка приводит результаты по ARC, HellaSwag, MMLU, TruthfulQA, Winogrande и GSM8K. Модель предназначена для диалоговой генерации текста и ответов на вопросы, в том числе математические и общеобразовательные. В метаданных указан контекст длиной до 200 000 токенов и формат весов safetensors. Лицензия — Apache-2.0.

«Мидад» — дообученная модель на базе ALLaM-7B-Instruct-preview, созданная в рамках хакатона Arabathon. Она преобразует учебные уроки в интерактивные истории и приключения на литературном арабском языке с саудовским контекстом, где ученик становится главным героем. Модель использует плотную архитектуру семейства Llama и содержит 6,7 млрд параметров. Она принимает текст и генерирует текст; максимальный родной контекст — 4096 токенов. Обучение выполнено методом LoRA в течение трёх эпох, после чего адаптер объединён с базовой моделью. Для предотвращения повторов при генерации README рекомендует передавать eos_token_id. Лицензия — Apache-2.0.

Mistral-7B-ProXMath — языковая модель, созданная командой ProX на основе Mistral-7B-v0.1. Модель продолжительно предобучали на 10 млрд токенов математического корпуса OpenWebMath-Pro, чтобы улучшить решение математических задач и рассуждения. Модель имеет плотную архитектуру MistralForCausalLM и 7,1 млрд параметров. Она генерирует текст на входном языке; в метаданных указан английский язык. Контекст составляет 4096 токенов. В оценках на девяти математических бенчмарках модель превзошла исходную Mistral-7B-v0.1 по среднему результату, хотя на отдельных наборах уступила ей. Модель подходит для генерации решений и ответов на математические задачи, но результаты бенчмарков не гарантируют правильность каждого ответа. Распространяется по лицензии Apache-2.0.

KiteFishAI/Nano-Math-1.5Bv1 — языковая модель семейства Llama от Kitefish, ориентированная на математические рассуждения, понимание символической записи и решение задач. В README заявлены базовые и средние по сложности математические задачи, пошаговые решения уравнений и текстовых задач, а также образовательные и экспериментальные сценарии. Модель имеет плотную архитектуру LlamaForCausalLM и 1,4 млрд параметров. Она принимает текст и генерирует текст; родная длина контекста — 4096 токенов. Карточка README называет выпуск ранним. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

NeuralMaths-7B-slerp — объединённая языковая модель на архитектуре Mistral, созданная с помощью LazyMergekit из Kukedlc/Neural4gsm8k, PetroGPT/WestSeverus-7B-DPO и samir-fama/FernandoGPT-v1. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Она предназначена для генерации текста и решения задач на рассуждение, в том числе математических. Может применяться для ответов на математические вопросы и генерации решений в диалоговых или текстовых сценариях. В репозитории указаны веса в формате safetensors. Лицензия в предоставленных данных не указана.

Omni-31B Turkish Reasoning Model — модель автора bugrabilge, дообученная методом full fine-tune на базе google/gemma-4-31B с использованием 249 292 отфильтрованных турецких примеров Chain-of-Thought. Она предназначена для ответов на вопросы на турецком языке, многошаговых рассуждений, объяснительного анализа и создания длинных структурированных текстов; обучена выдавать блок рассуждений перед итоговым ответом. Архитектура — плотная Gemma 4, файлы представлены в формате safetensors, библиотека — Transformers. Модель рассчитана на текстовый ввод и текстовый вывод, хотя базовая архитектура поддерживает мультимодальность. Заявленный бюджет контекста составляет 8192 токена суммарно для запроса и ответа. Модель подходит для учебного ассистента, анализа научных и гуманитарных тем, подготовки академических черновиков и исследований турецкоязычных рассуждений. Она склонна к длинным ответам и может менять формат вывода; короткие ответы и последовательное оформление требуют явных инструкций. Возможны фактические ошибки, а актуальные сведения следует проверять по официальным источникам. Автор рекомендует использовать модель для исследований и обучения, а не как основание для профессиональных решений. Лицензия — Gemma.

QwQ-LCoT-3B-Instruct — компактная языковая модель PrithivMLmods с архитектурой Qwen2, дообученная для следования инструкциям и генерации развёрнутых рассуждений. Она основана на Qwen/Qwen2.5-3B-Instruct и дообучена на наборе amphora/QwQ-LongCoT-130K, ориентированном на длинные цепочки рассуждений. Модель предназначена для ответов на сложные запросы с пошаговыми объяснениями, решения задач по математике, логике и естественным наукам, учебной помощи, диалога и суммаризации. Имеет 3,1 млрд параметров и контекстное окно до 32 768 токенов; для работы в README рекомендована библиотека Transformers. В метаданных указан английский язык. Компактный размер облегчает запуск по сравнению с более крупными моделями, а настройка ориентирована на подробные и структурированные ответы. Качество рассуждений и суммаризации в карточке не подтверждено количественными оценками. Лицензия — CreativeML OpenRAIL-M.

SAND-MathScience-DeepSeek-Qwen32B — плотная языковая модель на архитектуре Qwen2, разработанная AMD и дообученная на базе DeepSeek-R1-Distill-Qwen-32B. Модель содержит 32 млрд параметров и рассчитана на генерацию текста с пошаговыми рассуждениями, прежде всего для решения задач по математике и естественным наукам. Для дообучения использованы 27 тысяч синтетических примеров: 15 тысяч по математике и 12 тысяч по науке; обучение проводилось методом SFT на синтетических данных с использованием AMD ROCm и ускорителей AMD Instinct MI325. Модель принимает текст и генерирует текстовые ответы. В метаданных указан контекст до 131072 токенов; README приводит пример запуска с ограничением длины до 32768 токенов. Карточка сообщает об английском языке и результатах на математических и научных бенчмарках, включая AIME, MATH500 и GPQA. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке репозитория. Как и другие генеративные модели, она может допускать ошибки в решениях и объяснениях; бенчмарки сами по себе не гарантируют точность на пользовательских задачах.

Карточка модели luffycodes/vicuna-class-tutor-13b-ep3 на Hugging Face совпадает с карточкой luffycodes/vicuna-class-shishya-13b-ep3, поэтому описание составлено по ней. luffycodes/vicuna-class-shishya-13b-ep3 — языковая модель для генерации текста на архитектуре Llama с 12,9 млрд параметров и контекстом до 4096 токенов. README связывает работу с проектом CLASS Meet SPOCK — образовательным чат-ботом-репетитором, разработанным с учетом принципов науки об обучении; модель предназначена для учебного диалога и помощи учащимся. Модель использует формат PyTorch и лицензию Llama 2. Данных о поддерживаемых языках, конкретных учебных предметах и ограничениях качества в источниках нет.

WizardMath-70B-V1.0 — языковая модель команды WizardLM для решения математических задач с помощью пошаговых рассуждений. Она основана на архитектуре Llama и обучена для усиления математических способностей больших языковых моделей; в карточке приведены результаты на GSM8K и MATH. Модель содержит 68,7 млрд параметров, работает с текстом и имеет контекст длиной 2048 токенов. Модель предназначена для ответов на математические вопросы, решения задач и генерации объяснений к решениям. Для инференса авторы предлагают шаблон запроса в формате инструкции; для простых задач они не рекомендуют вариант промпта с цепочкой рассуждений. README указывает лицензию Llama 2; её условия следует учитывать при использовании модели.

activity-generation-v1.3 — специализированная текстовая модель для экосистемы MyVillage, разработанная на базе Qwen/Qwen2.5-0.5B-Instruct. Это плотная авторегрессионная архитектура Qwen2 с 494 млн параметров и контекстом до 32 768 токенов; модель дообучена методом SFT на примерно 1,2 тыс. синтетических примеров, а LoRA-адаптер объединён с базовыми весами. Для загрузки используется Transformers, веса представлены в формате safetensors. Модель получает цель сообщества, название предыдущего занятия, отчёт о полученных знаниях и объект с советом, после чего формирует одну короткую следующую учебную активность. Она рассчитана на небольшие последовательные шаги, а при недостаточных сведениях может запросить уточнение вместо того, чтобы предполагать, что именно было сделано. Основной язык — английский. В оценке разработчика отмечены более последовательный вывод JSON, краткие задания и улучшенная реакция на расплывчатые отчёты. Модель всё ещё может предлагать слишком объёмный или не самый точный следующий шаг, а также добавлять неподтверждённые детали. Она не предназначена для оценивания знаний, решений с высокими ставками или самостоятельного построения учебной программы. Условия лицензии в предоставленных источниках не описаны.

bennexx подготовил классификатор японских предложений по уровням JLPT, дообучив cl-tohoku/bert-base-japanese-v3 на примерно 5000 размеченных предложениях с сайтов для изучающих язык. Модель использует архитектуру BERT, содержит 138,4 млн параметров и принимает текст длиной до 512 токенов; результатом служит один из классов N5, N4, N3, N2 или N1. Модель подходит для примерной оценки сложности отдельного японского предложения, например при подборе учебных текстов или сортировке материалов по уровню JLPT. На тестовых данных, близких к обучающей выборке, указана точность 0,84, однако на официальных материалах JLPT качество заметно хуже, поэтому оценку не следует считать точной. Лицензия в метаданных указана как cc.

Einstein-7B — языковая модель Weyaxi на базе Mistral-7B-v0.1, дообученная методом QLoRA на научных и учебных наборах данных по физике, химии, биологии, естественным наукам и рассуждениям. Модель содержит 7,1 млрд параметров, использует плотную архитектуру Mistral и поддерживает контекст длиной до 32 768 токенов. Она предназначена для генерации ответов по инструкциям, решения научных и учебных вопросов, а также рассуждений и ответов на вопросы по физике, химии и биологии. В карточке приведён шаблон Alpaca; среди обучающих данных есть ARC, OpenBookQA, ScienceQA, TheoremQA и ScienceEval. Модель принимает и генерирует текст. Лицензия указана как other, поэтому условия использования следует уточнить по карточке репозитория.

Einstein-v4-Qwen-1.5-32B — дообученная Weyaxi версия Qwen/Qwen1.5-32B, созданная с помощью QLoRA и Axolotl; обучение спонсировал sablo.ai. Это плотная авторегрессионная модель Qwen2 с 31,7 млрд параметров, предназначенная для генерации текста и диалогов по шаблону ChatML. Контекст составляет 32 768 токенов. Модель обучалась на наборах данных для естественных наук, физики, химии, биологии, математики и общего следования инструкциям. Она подходит для ответов на научные и учебные вопросы, решения STEM-задач и диалоговой помощи. В карточке приведены результаты Open LLM Leaderboard, включая среднюю оценку 68,54 и 62,37 на AI2 Reasoning Challenge, но эти показатели сами по себе не гарантируют точность ответов. Основной язык карточки — английский. Модель опубликована в формате Safetensors. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Eklav-14B-Math-CotGen — дообученная авторами Eklav модель для генерации текста с акцентом на математические рассуждения. Она основана на Qwen/Qwen3-14B и содержит 14 млрд параметров; архитектура — плотная Qwen3ForCausalLM, формат весов — safetensors. Модель рассчитана на диалоговый режим, а контекст составляет до 40 960 токенов. При обучении использован CotGen: модель учится продолжать частичный след рассуждений учителя и самостоятельно получать ответ. Карточка описывает её как базовый вариант для сравнения со стандартной дистилляцией цепочек рассуждений. В единственном прогоне оценки указаны результаты на математических и общих бенчмарках, включая 95,9% на GSM8K и 90,5% на MATH-500; эти значения не гарантируют аналогичное качество на пользовательских задачах. Подходит для решения математических задач и пошаговой генерации рассуждений в диалоге. Языки в карточке явно не перечислены. Лицензия в предоставленных данных не указана.

EulerMath-Mistral-7B — дообученная Weyaxi языковая модель на базе meta-math/MetaMath-Mistral-7B для генерации ответов и решений математических задач. Модель с плотной архитектурой Mistral содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов; для инструкций используется шаблон Alpaca. Модель полностью дообучена в течение двух эпох на TIGER-Lab/MathInstruct и microsoft/orca-math-word-problems-200k. Она предназначена для ответов на математические вопросы и решения задач в диалоговом или инструкционном формате. В README отмечено, что оценка на подмножестве GSM8K не всегда совпадала с ожидаемым строгим форматом, хотя ответы могли быть корректными. В репозитории указана лицензия other; конкретные условия использования следует сверить с лицензией модели и её базовой модели.

Hercules-6.0-Llama-3.1-8B — дообученная Locutusque языковая модель на основе Llama-3.1-8B с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, включая многошаговые запросы и вызовы функций, в научных и технических областях: биологии, химии, физике, математике, медицине и информатике. Модель поддерживает контекст до 131 072 токенов и рассчитана на английский и китайский языки. Её можно использовать для научно-технических чат-ботов, учебных помощников и генерации кода с вызовом функций. Карточка указывает лицензию Llama 3.1. Среди ограничений — токсичные примеры в обучающих данных, риск галлюцинаций и фактических ошибок, а также возможность злоупотребления функциями вызова инструментов.

Light-R1-32B-DS — плотная языковая модель на архитектуре Qwen2, разработанная командой Qihoo 360 и дообученная на базе DeepSeek-R1-Distill-Qwen-32B. Авторы сообщают, что для дополнительного обучения использовали 3 тысячи примеров SFT; модель предназначена прежде всего для математических рассуждений и генерации текстовых решений.

LiteraLevel v4 — модель регрессии для оценки сложности английской прозы с точки зрения изучающих язык. Она разработана как итоговый проект модуля программы по науке о данных в FES Acatlán, UNAM. Модель дообучена на distilroberta-base и содержит 95,2 млн параметров по метаданным; в README указаны 6 слоёв и 82 млн параметров базовой архитектуры. Контекст модели — до 514 токенов. Модель оценивает текст по шкале от 0 до 5, сопоставленной с уровнями CEFR от A1 до C2; пользовательская шкала приложения преобразует эту оценку в диапазон 0–2. Она предназначена для подбора английских книг и оценки сложности глав или отрывков. Для длинного текста рекомендуется разбивать его на фрагменты примерно по 250 слов и усреднять оценки после ограничения каждого результата диапазоном 0–5. По приведённым автором проверкам модель хорошо упорядочивает тексты по уровню, однако точность зависит от набора данных, а оценка может быть завышена для текстов начального уровня. Это не сертификация владения языком. Модель рассчитана только на связную прозу на английском; для меню, списков, таблиц и стихов оценка не имеет смысла. Обучающие данные происходят из одного корпуса, что ограничивает обобщение. Лицензия CC BY-NC-SA 4.0 требует указания источника, запрещает коммерческое использование и требует распространять производные материалы на тех же условиях.

Llemma 34B — языковая модель для математических задач, разработанная командой EleutherAI и соавторами. Она основана на весах Code Llama 34B и дообучена на корпусе Proof-Pile-2 на 50 млрд токенов; число параметров — 33,5 млрд. Модель использует плотную архитектуру Llama и доступна в формате PyTorch. Модель предназначена для пошагового математического рассуждения, решения задач и применения вычислительных инструментов, включая Python и системы формальной проверки доказательств. В карточке отмечены сильные результаты в математических тестах и задачах на рассуждение. Контекст составляет 4096 токенов, указанный язык — английский. Llemma 34B генерирует текст и может ошибаться в вычислениях или доказательствах, поэтому результаты следует проверять. Модель распространяется по лицензии Llama 2.

MAmmoTH-Coder-34B — языковая модель TIGER-Lab для решения математических задач, дообученная на наборе MathInstruct. Это плотная авторегрессионная модель семейства LLaMA с 33,5 млрд параметров, рассчитанная на генерацию текста; для запуска авторы рекомендуют библиотеку Transformers. Модель использует гибридные рассуждения: пошаговые объяснения (CoT) и программные решения (PoT), а контекст составляет 16 384 токена. Модель предназначена для решения широкого круга математических задач, в том числе в образовательных программах и системах персонального обучения. Она может формировать объяснение или представить ход решения как программу. Обучающий набор MathInstruct объединяет 13 наборов данных с математическими рассуждениями. В README отмечено, что качество зависит от сложности и формулировки задачи, а покрытие математических областей неполное. Карточка указывает лицензию MIT; авторы позиционируют модель для исследовательского использования.

Карточка модели MathLLMs/MathCoder-CL-34B на Hugging Face совпадает с карточкой MathLLMs/MathCoder-L-7B, поэтому описание составлено по ней. MathCoder-L-7B — языковая модель семейства Llama, разработанная командой MathLLMs для решения математических задач. Это версия на 7B-класса, дообученная на наборе MathCodeInstruct; в README базовой моделью указана Llama 2. Модель генерирует текстовые решения математических задач и предназначена для использования через библиотеку Transformers.