IV.5Образование и развитие навыков

Карточка модели MathLLMs/MathCoder-CL-7B 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.

Карточка модели MathLLMs/MathCoder-L-13B 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.

Mathing-1.5B — объединённая разговорная языковая модель, созданная сообществом mergekit из Qwen/Qwen2-Math-1.5B-Instruct и arcee-ai/arcee-lite. Для слияния применён метод SLERP; архитектура — плотная Qwen2ForCausalLM, размер — 1,4 млрд параметров. Модель предназначена для генерации текста в диалоге, включая решение математических задач. Она принимает текст и выдаёт текст; заявленный контекст составляет 32 768 токенов. Веса доступны в формате safetensors, библиотека для работы — Transformers. Лицензия в предоставленных данных не указана.

mCoT — многоязычная модель генерации текста на 7,1 млрд параметров, разработанная для математических рассуждений. Она основана на Mistral-7B-v0.1 и дообучена на наборе mCoT-MATH, содержащем около 6,3 млн примеров цепочек рассуждений на 11 языках. Модель предназначена для решения математических текстовых задач с пошаговым обоснованием и сохранения согласованности рассуждений между языками. Модель использует плотную архитектуру Mistral и принимает текстовые запросы, выдавая текстовые решения. Нативная длина контекста — 32 768 токенов. Карточка сообщает результаты на MGSM и MSVAMP; перечисленные в метаданных языки охватывают суахили, бенгальский, телугу, тайский, японский, китайский, русский, испанский, французский, немецкий и английский. Распространяется в формате safetensors по лицензии Apache-2.0.

Модель sarthak-wiz01/mcq-deberta-v3-small разработана как часть дипломного проекта по машинному обучению и генеративному ИИ. Это дообученная для пятиклассовой классификации последовательностей модель DeBERTa V3 Small с 155 млн параметров, основанная на microsoft/deberta-v3-small. Она принимает научный вопрос с пятью вариантами ответа, объединёнными в одну строку, и предсказывает номер правильного варианта от 0 до 4. Модель предназначена для решения тестов с выбором ответа, в частности научных вопросов. В README указаны точность 0,99 на валидации и MAP@3 0,752 на таблице лидеров Kaggle. Контекст ограничен 512 токенами; карточка указывает английский язык. Доступны файлы ONNX и safetensors, а для загрузки приведён пример с Transformers. Лицензия — MIT.

mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

MetaMath-Llemma-7B — языковая модель на архитектуре Llama, разработанная командой MetaMath и полностью дообученная на наборе MetaMathQA поверх Llemma-7B. Модель предназначена для генерации ответов и пошаговых решений математических задач; в карточке приведены результаты на GSM8K и MATH, включая улучшение результата на MATH с 19,8 до 30,0 после замены базы на Llemma-7B. Модель содержит 6,6 млрд параметров, принимает текст и выдаёт текст, работает с контекстом до 4096 токенов. Данные MetaMathQA дополнены из обучающих частей GSM8K и MATH; авторы указывают, что тестовые части не использовались при дополнении данных. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0.

MistralMath-7B-v0.1 — созданная автором карточки языковая модель, полученная слиянием Mistral-7B-v0.1, WizardMath-7B-V1.1 и MetaMath-Mistral-7B методом DARE-TIES с помощью LazyMergekit. Модель с архитектурой MistralForCausalLM содержит 7,1 млрд параметров и рассчитана на генерацию текста, в первую очередь решений математических задач и ответов на вопросы. Естественный язык ввода и вывода — текст; контекст составляет до 32 768 токенов. Модель подходит для пошагового решения математических задач и создания ответов с объяснениями. В репозитории представлены веса Safetensors; конфигурация слияния задаёт тип float16. Лицензия в предоставленных данных не указана.

MMR1-Math-v0-7B — мультимодальная модель для математических задач, разработанная авторами проекта MMR1 и дообученная на базе Qwen2.5-VL-7B-Instruct. Она принимает изображения и текст и формирует текстовые ответы, рассуждая над задачами, представленными в визуальной или текстовой форме. Модель предназначена для математического и логического анализа изображений и задач с визуальными данными. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2.5-VL и поддерживает контекст длиной до 128 000 токенов. В README описано обучение с GRPO на 6 тысячах отобранных примеров и приведены результаты оценки на MathVista, MathVision, LogicVista и MathVerse. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0.

Newton-7B — диалоговая языковая модель на архитектуре Mistral, созданная Weyaxi путём дообучения openchat/openchat-3.5-0106 с помощью QLoRA и Axolotl. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для ответов на вопросы и рассуждений в естественных науках, математике и инженерии. При дообучении использовались наборы данных по математике, физике, химии, биологии, электротехнике, а также задания на понимание научных текстов и вопросы с вариантами ответов. Лицензия указана как other; конкретные условия в карточке не раскрыты.

OpenMath-CodeLlama-13b-Python-hf — языковая модель NVIDIA для решения математических задач с помощью текстовых рассуждений и фрагментов кода, исполняемых в Python. Она дообучена на CodeLlama-13b-Python-hf на наборе OpenMathInstruct-1, содержащем 1,8 млн пар «задача — решение», сгенерированных моделью Mixtral-8x7B. Модель имеет плотную архитектуру LlamaForCausalLM и 12,9 млрд параметров, принимает текст и генерирует текст, включая код. Контекст составляет до 16 384 токенов; в карточке указан английский язык. Модель подходит для генерации пошаговых решений математических задач, написания вспомогательных Python-программ и проверки вычислений через исполнение кода. Обучающий конвейер открыт, для разработки и инференса используется NVIDIA NeMo. Репозиторий распространяется по лицензии Llama 2. Результаты могут содержать ошибки в рассуждениях или коде; README не описывает специальные гарантии корректности решений.

OpenMath-CodeLlama-7b-Python-hf — языковая модель NVIDIA для решения математических задач с помощью текстовых рассуждений и фрагментов кода, исполняемых в Python. Она дообучена на базе codellama/CodeLlama-7b-Python-hf на наборе OpenMathInstruct-1, содержащем 1,8 млн пар «задача—решение», сгенерированных моделью Mixtral-8x7B. Модель построена на плотной авторегрессионной архитектуре LlamaForCausalLM и содержит 6,6 млрд параметров. Модель предназначена для генерации решений математических задач, в том числе с использованием кода для вычислений. Она принимает текст и выдаёт текст, включая рассуждения и Python-код; максимальный контекст составляет 16 384 токена. Карточка описывает открытый конвейер обучения и воспроизведения результатов. Для использования действует лицензия Llama 2.

Daewon0808 разработал эту дообученную модель на базе Qwen/Qwen2.5-Math-7B-Instruct. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста; название и приведённые метрики PRM указывают на применение для оценки корректности шагов математического рассуждения. В README указаны результаты на наборе оценки: точность PRM 0,8774, precision 0,9375, recall 0,9036 и F1 0,9202. Модель принимает текст и выдаёт текст, использует библиотеку Transformers и формат safetensors. Контекст составляет 4096 токенов. Базовая модель ориентирована на математические задачи на английском и китайском языках, однако отдельные языки и подробности обучения этой версии не описаны. Модель распространяется по лицензии Apache-2.0. Набор данных для дообучения обозначен как неизвестный; метрики получены на оценочном наборе и сами по себе не гарантируют качество на других данных.

QvQ-Step-Tiny — мультимодальная модель PrithivMLmods на архитектуре Qwen2-VL, дообученная на наборах данных VCR для пошагового объяснения визуального контекста. Метаданные указывают 1,5 млрд параметров, контекст до 32 768 токенов и формат Safetensors; в README указаны 2,21 млрд параметров и точность BF16, поэтому размер модели в источниках расходится. Модель принимает изображения и текстовые запросы, а также формирует текстовые ответы с объяснениями. Она предназначена для визуальных вопросов и ответов, разбора документов и математических изображений, а также анализа видеосодержимого. В карточке заявлены поддержка распознавания текста на разных языках и возможности Qwen2-VL для изображений разных размеров и пропорций. Основной язык карточки — английский; мультиязычная поддержка упоминается в README. К ограничениям относятся возможное снижение точности на низкокачественных изображениях и сложных специализированных задачах, а также значительные вычислительные требования при работе с высоким разрешением и длинным контекстом. Заявленные возможности анализа видео длительностью более 20 минут и управления устройствами описаны в README, но не подтверждены метаданными. Лицензия — Apache-2.0.

sail/Qwen2.5-Math-1.5B-Oat-Zero — языковая модель Sail дообучена на базе Qwen/Qwen2.5-Math-1.5B по минималистичному рецепту R1-Zero с алгоритмом Dr. DRPO. Для обучения использовались вопросы уровней 3–5 из набора MATH и шаблон Qwen-Math. Модель предназначена для генерации пошаговых решений и ответов на математические задачи в диалоговом формате. Модель имеет плотную архитектуру Qwen2 с 1,5 млрд параметров, принимает и генерирует текст; базовая модель рассчитана на математику на английском и китайском языках. Контекст составляет 4096 токенов. Весы доступны в формате Safetensors, лицензия — Apache-2.0. README упоминает оценку на математических бенчмарках, но в доступном тексте нет самих результатов.

Qwen3-0.6B-Math-Expert — плотная авторегрессионная языковая модель, полученная полным дообучением Qwen3-0.6B разработчиком проекта. Дообучение выполнено в формате bf16 на датасете OpenMathReasoning-mini для улучшения решения математических задач и рассуждений. Модель принимает текст и генерирует текст; карточка указывает контекст до 40 960 токенов и поддержку английского языка. Модель предназначена для диалогового решения математических задач с выводом промежуточных рассуждений и итогового ответа. Компактный размер около 507,9 млн параметров позволяет использовать её в сценариях, где важны небольшие требования к ресурсам. Доступна на условиях Apache-2.0.

AraBERTv2+D3Tok+Reg — модель оценки читаемости арабского текста, разработанная CAMeL Lab дообучением AraBERTv2 с функцией потерь Mean Squared Error. Модель использует вариант входных данных D3Tok из корпуса BAREC-Corpus-v1.0 и выдаёт числовую оценку, которую можно преобразовать в уровень читаемости. Для работы текст нужно предварительно обработать в формате D3Tok. Модель предназначена для автоматической оценки читаемости предложений и текстов на арабском языке, например при анализе учебных материалов или подборе текстов по уровню сложности. Она построена на архитектуре BERT для классификации последовательностей, содержит 162,4 млн параметров и поддерживает контекст до 512 токенов. Для запуска доступна через Transformers pipeline. Лицензия — MIT; качество и применимость зависят от соответствия входной предобработки варианту D3Tok.

Skywork-13B-Math — языковая модель семейства Skywork, разработанная командой Skywork и дообученная для решения математических задач. Это плотная авторегрессионная модель на 13,6 млрд параметров для генерации текста; она принимает текстовые запросы и формирует текстовые ответы с решениями и объяснениями. В карточке заявлены сильные результаты на GSM8K, MATH и CMATH, включая первое место среди моделей масштаба 13B на GSM8K и CMATH. Модель подходит для решения школьных математических задач и задач на рассуждение, а также для экспериментов и приложений, которым требуется генерация математических ответов. Указанная длина контекста — 131072 токена. В README приведены примеры запуска на PyTorch; веса представлены в формате PyTorch. Карточка не уточняет языковое покрытие и лицензию обозначает как other. Разработчики просят не использовать модель для незаконных действий и не разворачивать в интернет-сервисах без надлежащей проверки безопасности.

SmolLM2Prover — компактная языковая модель, разработанная Convergent Intelligence LLC и дообученная на основе prithivMLmods/SmolLM2-CoT-360M. Это плотная авторегрессионная модель семейства Llama с 361,8 млн параметров, рассчитанная на генерацию текста и диалог; она принимает текст и выдаёт текст. Модель дообучали несколькими раундами SFT с помощью TRL на наборе AI-MO/NuminaMath-1.5 и примерно миллионе дополнительных токенов рассуждений. Контекст — до 8192 токенов; в карточке указан английский язык. Основное назначение — решение математических и логических задач, пошаговые объяснения и генерация доказательств, а также диалог и следование инструкциям. Компактный размер подходит для встраивания в приложения с ограниченными ресурсами. Модель может ошибаться в вычислениях и доказательствах, особенно в новых или узкоспециальных областях; результаты для важных задач следует проверять. Унаследованные от базовой модели и обучающих данных смещения также могут присутствовать. Лицензия — Apache-2.0.

Tulu-MathLingo-8B — плотная авторегрессионная языковая модель семейства Llama, дообученная prithivMLmods на базе allenai/Llama-3.1-Tulu-3-8B. Она предназначена для генерации ответов и решения математических текстовых задач, включая диалоговое объяснение хода решения. В README заявлена поддержка английского и языка тулу, однако метаданные подтверждают только английский. Модель содержит около 7,5 млрд параметров и имеет нативный контекст длиной до 131 072 токенов. Она обучалась на наборе microsoft/orca-math-word-problems-200k и распространяется в формате Safetensors для Transformers. Лицензия — CreativeML OpenRAIL-M. Для запуска в FP16 README рекомендует GPU с 24 ГБ видеопамяти; при необходимости предлагается распределять инференс между несколькими GPU. Заявления о мультиязычности и размере модели в README расходятся с метаданными по числу параметров и подтверждённым языкам, поэтому поддержка тулу и точный размер требуют осторожной трактовки.

Vero-Qwen3I-8B — мультимодальная модель для общего визуального рассуждения из открытого семейства Vero. Она создана на основе Qwen3-VL-8B-Instruct и дообучена с применением обучения с подкреплением. Модель содержит 8 млрд параметров и предназначена для диалога и анализа изображений.

Карточка модели luffycodes/vicuna-class-shishya-ac-hal-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.

Карточка модели luffycodes/vicuna-class-shishya-all-hal-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.

Модель moxeeeem/wav2vec2-finetuned-pronunciation-correction — дообученная версия wav2vec 2.0 Large XLSR-53 для анализа произношения на уровне фонем. Она принимает речь и выводит транскрипцию в фонетической записи, что подходит для выявления и разбора особенностей произношения. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; модель рассчитана на английский язык и работает с аудиовходом. В карточке указана CER 0,1, но не приведены условия измерения этой метрики. Модель распространяется по лицензии Apache-2.0.

Это модель распознавания фонем на основе Wav2Vec2-Large-Robust, дообученная Сехёном О на пересмотренном наборе данных ETRI для анализа английского произношения корейских учащихся. Она принимает речевые записи и выдаёт последовательности английских фонем; ошибки произношения в обучающих аннотациях отмечены специальной меткой _err и включают замены, вставки и пропуски фонем. Модель предназначена для анализа английского произношения, в том числе в системах обучения и исследованиях влияния корейского языка на произношение английского. Архитектура — Wav2Vec2ForCTC, размер — 402,7 млн параметров; репозиторий использует Transformers и формат safetensors. На тестовом наборе указана фонемная частота ошибок 0,0905. Сведения о лицензии в предоставленных данных отсутствуют.

wav2vec2-large-xlsr-53-english-pronunciation-evaluation-aod-cut-balance — модель для классификации аудио, созданная дообучением jonatasgrosman/wav2vec2-large-xlsr-53-english. Она предназначена для оценки английского произношения по аудиозаписи. Архитектура — Wav2Vec2ForSequenceClassification семейства wav2vec2; размер — 402,7 млн параметров. Модель опубликована в формате PyTorch и распространяется по лицензии Apache-2.0. В карточке приведены результаты оценки: accuracy 0,6055 и F1 0,6017. Данные о наборе обучения и подробных ограничениях не раскрыты, поэтому качество на других данных и применимость к разным акцентам установить нельзя.

Elizabeth Mwangi разработала эту модель на базе Whisper Large V3 для распознавания кенийской суахилийской речи с нестандартным произношением. Это второй этап дообучения: исходная модель Whisper Large V3 была адаптирована на образовательной речи AfriVoice, а затем чекпойнт дообучили на датасете CDLI Kenyan Swahili Nonstandard Speech. Модель содержит 905,2 млн параметров и распространяется в формате safetensors по лицензии Apache-2.0. Модель предназначена для автоматической транскрипции кенийской суахилийской речи, в том числе речи с выраженными отклонениями от стандартного произношения. На тестовом наборе Kenyan Swahili Nonstandard Speech авторы сообщают WER 0,307 и CER 0,146; результат зависит от выраженности отклонений, причём для тяжёлых случаев WER выше, чем для лёгких. Оценка приведена для конкретного тестового набора и не гарантирует аналогичного качества на других разновидностях речи или в иных условиях записи.

WizardMath-7B-V1.0 — языковая модель семейства Llama, разработанная командой WizardLM для решения математических задач и рассуждений. Это плотная авторегрессионная модель с 6,6 млрд параметров, предназначенная для генерации ответов по инструкции; в README описан метод обучения Reinforced Evol-Instruct (RLEIF). Модель подходит для решения задач по математике и пошагового объяснения решений. В README приведены результаты на GSM8k и MATH, а для работы указаны стандартный и CoT-шаблоны запросов. Контекст составляет 2048 токенов. Модель принимает текст и генерирует текст. Репозиторий содержит веса PyTorch; лицензия — Llama 2 License. README рекомендует использовать предусмотренные системные промпты и предупреждает, что точность квантованных версий не гарантируется.

Koel Labs XLSR English 01 — модель распознавания фонем английской речи, разработанная Koel Labs для анализа произношения с акцентом и нарушениями речи. Она преобразует аудиозапись в последовательность из 79 символов Международного фонетического алфавита и предназначена для систем обратной связи по произношению и лингвистического анализа. Модель дообучена на основе facebook/wav2vec2-xlsr-53-espeak-cv-ft. При обучении использованы около 41 часа речи из TIMIT, Buckeye, L2-ARCTIC, EpaDB, Speech Ocean, DoReCo и PSST; оценка проводилась, в частности, на ISLE Corpus и тестовых наборах этих корпусов. В README указаны результаты около 19% PER и 3% FER после нормализации по родному акценту и нарушениям речи; меньшие значения лучше. Модель рассчитана на английскую речь и показывает обобщение на незнакомые акценты, включая немецкий и итальянский акценты в ISLE Corpus. Эти результаты не гарантируют качество на любых типах речи или условиях записи. Лицензия репозитория — AGPL-3.0.

Xwin-Math-13B-V1.0 — языковая модель для решения математических задач, разработанная командой Xwin. Это модель с архитектурой LLaMA-2 и примерно 12,9 млрд параметров, дообученная методом supervised fine-tuning для математики. Она принимает текстовые задачи и генерирует текстовые решения; в карточке приведены результаты на GSM8K и MATH, включая 76,2% pass@1 на GSM8K и 21,7% на MATH по используемой авторами гибкой оценке. Модель подходит для решения школьных и олимпиадных задач, арифметических текстовых задач и пошагового объяснения математических рассуждений. Контекст модели составляет 4096 токенов. README указывает лицензию Llama 2; применение должно соответствовать её условиям. Приведённые показатели зависят от метода оценки и могут отличаться в других средах.