IV.5Образование и развитие навыков

ishikaa/acquisition_student_AS_SOLVE_confidence_omnimath_qwen7b — текстовая генеративная модель семейства Qwen2 с 7,1 млрд параметров, размещённая пользователем или организацией ishikaa на Hugging Face. Модель доступна через библиотеку Transformers и обучалась с применением supervised fine-tuning (SFT) с использованием TRL. Контекстное окно составляет 32 768 токенов. По названию репозитория и метаданным модель ориентирована на решение математических задач, вероятно с формированием ответа и оценкой уверенности, а также на диалоговое взаимодействие. Она может использоваться для генерации пошаговых решений, объяснений и ответов на математические запросы в прикладных системах на базе языковых моделей. В README отсутствуют сведения о точном разработчике, исходной модели, обучающих данных, результатах оценки, лицензии и поддерживаемых естественных языках. Поэтому условия лицензирования необходимо уточнить перед использованием, а ответы модели следует проверять, особенно в задачах, требующих строгой математической корректности.

MyVillage Activity Generation v1.3.5 — Qwen2.5-0.5B — 427 Checkpoint — это компактная причинная языковая модель семейства Qwen2, разработанная для генерации следующей учебной активности в MyVillage. Она дообучена методом SFT с QLoRA на базе Qwen/Qwen2.5-0.5B-Instruct; модель содержит 494 млн параметров и использует формат safetensors. Контекст модели по метаданным — до 32 768 токенов, а целевая длина контекста обучения составляла 1 024 токена. На вход подаются цель деревни, название предыдущей активности, сведения о знаниях ученика и объект мудрости с книгой, типом, главой и содержанием. Модель формирует JSON с названием активности, описанием и инструкциями. Она должна учитывать подтверждённые знания ученика, не предлагать повтор уже освоенной работы и осторожно трактовать расплывчатые ответы. Чекпойнт обучен на 427 примерах и обозначен авторами как экспериментальный. Качество следует оценить на отложенных сценариях MyVillage до использования в производстве. Лицензия — Apache-2.0.

Aryabhata 2.0 — языковая модель PhysicsWallah, настроенная для рассуждений и подготовки к конкурсным экзаменам по STEM, включая JEE и NEET. Модель дообучена на базе openai/gpt-oss-20b методом обучения с подкреплением GRPO и адаптером LoRA; в метаданных указаны архитектура MoE, 1,6 млрд параметров и контекст 131 072 токена. Модель предназначена для решения вопросов по физике, химии и математике, многошаговых численных и символьных задач, а также для объяснения материала при подготовке к экзаменам и ответов на вопросы учащихся. Разработчик сообщает о высокой точности на приведённых экзаменационных тестах и экономном расходе выходных токенов; это результаты авторских оценок на описанном наборе тестов. Данные для обучения взяты из внутренних банков вопросов PhysicsWallah и прошли очистку и проверку ответов. Модель принимает текст и генерирует текстовые ответы. В карточке указан английский язык. Репозиторий содержит веса safetensors и адаптер LoRA. Лицензия — Apache-2.0.

AwA (Answers with Athena) — компактная диалоговая языковая модель, созданная Aayan Mishra как портфолио-проект на основе Athena-2-1.5B. Это дообученная плотная авторегрессионная модель семейства Qwen2 с примерно 1,5 млрд параметров, рассчитанная на контекст до 32 768 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы; в карточке указана поддержка английского языка. Модель предназначена для пошаговых объяснений и ответов на сложные вопросы в разных областях, включая математику, естественные науки и литературу. Её можно использовать в образовательных приложениях, исследовательских помощниках и системах поддержки решений. README сообщает о дообучении на наборах данных для Chain-of-Thought, но не приводит их названия или результаты сравнительной оценки. Модель распространяется под лицензией Apache-2.0. Она может давать неполные ответы по узким темам, а её выводы в чувствительных сценариях следует перепроверять; сама модель не заменяет экспертную оценку.

MALIBA-AI разработала Bambara TTS — модель синтеза речи на языке бамбара (бамананкан). Она преобразует текст в речь и позволяет выбирать одного из 10 доступных голосов. Модель основана на Spark-TTS с языковой моделью семейства Qwen2.5 и содержит около 500 млн параметров; отдельный вокодер для синтеза не требуется. На вход подаются текст на стандартной орфографии бамбара и идентификатор голоса, на выходе — монофоническое аудио WAV с частотой 16 кГц и разрядностью 16 бит. Встроенная нормализация обрабатывает цифры, даты и время. Модель предназначена для образовательных, исследовательских и общественных проектов, связанных с озвучиванием текстов на бамбара. Качество снижается при смешивании французского и бамбара; для лучшего результата рекомендуется использовать текст только на бамбара в стандартной орфографии. Лицензия CC BY-NC-SA 4.0 ограничивает коммерческое использование. В карточке также запрещено клонировать голоса без согласия и создавать вводящие в заблуждение или незаконные аудиозаписи.

Rustamshry/BioGenesis-ToT-GGUF — GGUF-представление BioGenesis-ToT, модели для генерации ответов, дообученной на базе khazarai/BioGenesis-ToT. Исходная модель основана на Qwen3-1.7B и обучена на наборе moremilk/ToT-Biology для механистических объяснений и рассуждений по биологии. В репозитории указаны веса в формате GGUF F16; модель поддерживает диалоговый режим. Модель предназначена для учебных и научных объяснений, биологического репетиторства и анализа причинно-следственных связей в биологических системах. Она генерирует структурированные объяснения и пошаговые рассуждения по темам от клеточной биологии, генетики и экологии до биоинженерии и медицины. В указанном тесте TARA_Turkish_LLM_Benchmark базовая BioGenesis-ToT показала результат 51,45 против 46,82 у Qwen3-1.7B. Модель может чрезмерно обобщать или упрощать сложные явления и не заменяет экспертную оценку в биологии. Карточка указывает лицензию Apache-2.0.

DART-Math-Llama3-8B-Prop2Diff — дообученная HKUST-NLP языковая модель для решения математических задач и пошаговых рассуждений. Она основана на Meta-Llama-3-8B и обучена методом instruction tuning на синтетических данных DART-Math-Hard, сформированных из наборов MATH и GSM8K с помощью отбора ответов с учётом сложности задач. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и принимает текстовые инструкции на английском языке. Модель предназначена для генерации решений по математике: от задач уровня школьной алгебры до сложных задач из математических бенчмарков. В README указаны сравнительные результаты семейства DART-Math на нескольких математических тестах, однако конкретные оценки именно этой версии не приведены. Контекстная длина по метаданным — 8192 токена. Репозиторий распространяет веса в формате safetensors; лицензия — llama3, унаследованная от Meta Llama 3.

Deepthink-1.5B-Open-PRM — компактная языковая модель prithivMLmods для пошагового решения математических задач. Она создана дообучением Qwen/Qwen2.5-1.5B-Instruct с надзором на основе Process Reward Models (PRM), который поощряет качественные промежуточные рассуждения. Модель с архитектурой Qwen2 и 1,5 млрд параметров принимает текст и генерирует текст; заявлена поддержка контекста до 131 072 токенов. Модель предназначена для математических объяснений и решения многошаговых арифметических задач, текстовых задач и логических головоломок на английском и упрощённом китайском. Её можно использовать в учебных тьюторах, образовательных платформах и лёгких математических агентах; также заявлены сценарии STEM-помощи и запуска в средах с ограниченными ресурсами. Основной профиль — математика, поэтому качество ответов на творческие и другие неспециализированные запросы может снижаться. Ответы следует проверять: PRM-обучение не гарантирует правильность или полноту рассуждений, а качество зависит от формулировки запроса. Модель распространяется по лицензии Apache-2.0.

Ariffiq99/e_care_bert_base_uncased_finetuned — дообученная модель BERT, созданная на основе google-bert/bert-base-uncased и предназначенная для задачи multiple-choice: выбора правильного ответа из нескольких вариантов по тексту. Модель содержит 136,7 млн параметров, использует архитектуру BertForMultipleChoice и принимает текстовые входные данные с контекстом до 512 токенов. Модель может применяться для тестов и вопросов с вариантами ответов. В карточке приведены результаты оценки: loss 0,7829 и F1 0,7700. Датасет обучения не назван, поэтому качество для конкретных предметных областей оценить нельзя. Модель основана на англоязычном BERT и распространяется по лицензии Apache-2.0.

Ariffiq99/e_care_xlm_roberta_base_finetuned — дообученная модель XLM-RoBERTa, разработанная на основе FacebookAI/xlm-roberta-base и предназначенная для задач с выбором одного варианта ответа из нескольких. В карточке указаны 305,2 млн параметров, архитектура XLMRobertaForMultipleChoice и контекст до 514 токенов. Модель можно применять в многоязычных сценариях множественного выбора, например для тестовых вопросов с вариантами ответов. В README приведены результаты оценки: loss 0,6184 и F1 0,7208; обучающий набор данных не назван. Модель опубликована в формате safetensors под лицензией MIT.

EduGanda-Gemma-4-E2B-v4 — экспериментальный исследовательский чекпойнт Crane AI Labs, созданный на базе Google Gemma 4 E2B Instruct. Это плотная модель семейства Gemma 4 для генерации текста в формате диалога, настроенная на помощь в начальном образовании на луганда: обучение включало продолженное предобучение на словарных материалах, перевод, настройку на учебные программы и педагогику, а также два этапа обучения с подкреплением. Карточка приводит результаты по следованию инструкциям, математическим задачам и переводу между луганда и английским. Модель предназначена для учебных объяснений, упражнений и перевода в контексте начального образования. В README она обозначена как один из двух родительских чекпойнтов EduGanda-Gemma-4-E2B-v5; в метаданных указан формат safetensors и лицензия Gemma. Это экспериментальная версия: автор рекомендует проверять фактические и грамматические утверждения на луганда перед использованием с учащимися. На некоторых учебных запросах модель повторяется, а порядок инструкции и вопроса влияет на ответы в тестах с выбором варианта. Для генерации автор рекомендует greedy decoding и настройку ограничения повторов.

Einstein-v6.1-Llama3-8B — полноразмерная дообученная языковая модель Weyaxi на основе Meta-Llama-3-8B, обученная при поддержке sablo.ai. Модель с архитектурой Llama и 7,5 млрд параметров предназначена для диалоговой генерации текста и выполнения инструкций; используется шаблон ChatML. В обучении применялись наборы данных по физике, химии, биологии и математике, а также общие диалоговые и инструкционные данные. Модель подходит для ответов на вопросы по STEM-дисциплинам, решения математических и научных задач и общего диалогового взаимодействия на английском языке. Контекст составляет 8192 токена. В репозитории указаны результаты оценок на Open LLM Leaderboard и Open LLM Leaderboard v2. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и лицензией базовой модели.

Einstein-v7-Qwen2-7B — полноценно дообученная Weyaxi языковая модель на базе Qwen/Qwen2-7B с архитектурой Qwen2 и 7,1 млрд параметров. Она предназначена для диалоговой генерации текста и ответов на вопросы, с особым акцентом на естественные науки, физику, химию, биологию и математику. Модель обучалась два прохода по разнообразным наборам данных; карточка указывает шаблон диалога ChatML и контекст до 131 072 токенов. Модель работает с текстом и поддерживает инструкции и диалог на английском языке. В оценке Open LLM Leaderboard v2 указаны результаты IFEval 41,00 и BBH 32,84; эти показатели не гарантируют точность отдельных ответов. Весовые файлы доступны в формате safetensors. Указана лицензия other, поэтому конкретные условия использования следует проверять в карточке и сопутствующих материалах модели.

Eklav-14B-Math — языковая модель на 14 млрд параметров, созданная AdarshSingh7647 дообучением Qwen/Qwen3-14B. Она предназначена для генерации текста с упором на математические рассуждения. Метод Eklav обучает модель продолжать рассуждение по частичному следу учителя, не копируя его целиком; по данным карточки, средний pass@1 на шести математических тестах выше на 2,5 процентного пункта, чем у стандартного дообучения на полных следах рассуждений. Модель использует архитектуру Qwen3ForCausalLM, поддерживает диалоговый режим и принимает текст, выдавая текст. Заявленная длина контекста — 40 960 токенов. README приводит результаты на AIME, GPQA-Diamond, GSM8K, MATH-500 и Omni-MATH; указано, что для каждого теста выполнен один прогон оценки. Сведения о лицензии в предоставленных материалах отсутствуют.

Eklav-8B-Math — диалоговая языковая модель для математических рассуждений, разработанная автором репозитория на основе Qwen/Qwen3-8B. Модель дообучена методом Eklav: во время обучения она получает частичный след рассуждений учителя и учится самостоятельно продолжать решение и выдавать ответ, а не воспроизводить весь след целиком. По описанию, базовая модель и обучающие данные совпадают с вариантом стандартной дистилляции полных цепочек рассуждений, отличается цель обучения. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и формат safetensors; заявленный контекст — до 40 960 токенов. Основной сценарий — генерация пошаговых решений математических задач в диалоговом формате. В README приведены результаты pass@1 на математических бенчмарках; автор сообщает о среднем преимуществе 0,6 процентного пункта над стандартной дистилляцией на шести математических тестах, при этом результаты получены в одном запуске на каждый тест. Модель принимает текст и генерирует текст. README не сообщает лицензию, поэтому условия использования по доступным данным определить нельзя.

Eklav-9B-Math — плотная языковая модель для генерации текста и решения математических задач, разработанная автором репозитория AdarshSingh7647 методом Eklav, или hint conditioned SFT. Она дообучена на базе zai-org/GLM-Z1-9B-0414 и содержит 8,8 млрд параметров; архитектура GLM-4, библиотека Transformers, формат весов safetensors. Модель учится продолжать частичную цепочку рассуждений учителя и самостоятельно получать ответ, а не воспроизводить полную цепочку целиком. Контекст — до 32 768 токенов. Модель предназначена для математических рассуждений и генерации ответов в диалоговом формате. В README приведены результаты pass@1 на AIME, GSM8K, MATH-500, Omni-MATH и других тестах; в сравнении со стандартной дистилляцией полных цепочек рассуждений показатели отличаются в зависимости от бенчмарка. Лицензия в предоставленных данных не указана.

FastLlama-3.2-1B-Instruct — дообученная модель на архитектуре Llama от разработчика suayptalha, основанная на meta-llama/Llama-3.2-1B-Instruct. Модель содержит 1,2 млрд параметров, принимает текстовые инструкции и генерирует текст; для работы используются библиотека Transformers и формат safetensors. В карточке указана длина контекста 131 072 токена. Модель дообучена на наборе математических задач MetaMathQA-50k из HuggingFaceTB/smoltalk для решения задач, многошаговых рассуждений и ответов на вопросы по математике. Она предназначена для учебных приложений, помощников и систем репетиторства, где нужны компактная языковая модель и математические ответы. Указана поддержка нескольких языков, включая английский, немецкий, испанский, французский, итальянский, португальский, хинди и тайский. Разработчик заявляет о быстродействии и улучшении результатов на математических вопросах, однако количественные результаты бенчмарков в карточке не приведены. Модель распространяется по лицензии Apache 2.0.

Gecko-7B-v0.1 — диалоговая языковая модель NeuralNovel для генерации инструктивного и повествовательного текста с акцентом на математику и числовые задачи. Это полнопараметрическая дообученная версия Mistral-7B-Instruct-v0.2: архитектура Mistral, около 7,1 млрд параметров, контекст до 32 768 токенов. Модель предназначена для следования инструкциям, ролевых сценариев и решения задач; при этом README предупреждает, что вне генерации инструктивного и повествовательного текста качество может быть ниже. Модель обучалась на закрытом наборе Neural-Mini-Math. Она распространяется по лицензии Apache-2.0, допускающей коммерческое использование. По заявлению разработчика, выравнивание модели ослаблено, поэтому она может генерировать NSFW- или вредоносный контент; результаты следует проверять.

arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

JiuZhang3.0-7B — плотная языковая модель семейства Mistral с 7,1 млрд параметров, разработанная командой ToheartZhang. Это одна из серии моделей, дообученных для математических рассуждений и непрерывно предварительно обученных на корпусе, синтезированном небольшой языковой моделью. Модель принимает текст и генерирует текст; контекстное окно составляет 32 768 токенов. Карточка описывает форматы рассуждений на естественном языке и манипулирования инструментами, а метаданные указывают на обучающие наборы с примерами CoT, использования инструментов и SFT. Модель предназначена для решения математических задач с пошаговыми объяснениями и работы с инструментами в текстовых сценариях. В README приведены результаты оценки на наборах GSM8k, MATH, SVAMP, ASDiv, MAWPS и CARP, однако конкретные результаты самой версии 7B в предоставленном фрагменте не видны. Модель опубликована в формате safetensors; лицензия в доступных данных не приведена.

Llama3-8B-ScaleQuest — языковая модель для решения математических задач, представленная авторами проекта ScaleQuest. Она дообучена на синтетических математических данных, созданных методом генерации вопросов с нуля без исходных примеров. Модель основана на плотной архитектуре Llama с примерно 7,5 млрд параметров и использует библиотеку Transformers; принимает текст и генерирует текстовый ответ. Контекстное окно составляет 8192 токена. Модель предназначена для пошагового решения математических задач и ответов на вопросы по математике. В карточке приведены результаты на MATH и Olympiad Bench: 64,4 и 25,3 соответственно. Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Английский язык указан в метаданных; карточка посвящена математическим задачам.

Карточка модели luffycodes/llama-class-shishya-7b-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.

LLaMAX/LLaMAX2-7B-MetaMath — мультиязычная авторегрессионная языковая модель семейства LLaMA, разработанная авторами проекта LLaMAX и дообученная на наборе MetaMathQA на основе LLaMAX2-7B. Она предназначена для решения математических задач с пошаговыми текстовыми объяснениями, в том числе на языках с небольшим количеством обучающих данных. В оценке на MGSM модель показала среднюю точность 44,28% по указанным языкам; README сообщает об улучшении относительно MetaMath-7B на 18,8 процентного пункта для низкоресурсных языков и на 6,2 пункта в среднем по всем языкам. Модель содержит 6,6 млрд параметров, использует архитектуру LlamaForCausalLM и имеет контекст 4096 токенов. Репозиторий содержит веса Safetensors, лицензия — MIT. Модель подходит для генерации решений математических задач на нескольких языках, но результаты MGSM не гарантируют точность на других типах задач или данных. Метаданные указывают многоязычную поддержку; перечисленные языки карточки включают бенгальский, китайский, английский, французский, немецкий, хинди, японский и русский.

LUFFY-Qwen-Math-7B-Zero-On-Policy — языковая модель Elliott, дообученная на базе Qwen/Qwen2.5-Math-7B методом обучения с подкреплением. Это on-policy базовый вариант проекта LUFFY, использующий подмножество OpenR1-Math-220k; подход LUFFY сочетает генерацию собственных решений с внешними цепочками математических рассуждений при обучении. Модель предназначена для генерации пошаговых решений математических задач, включая задачи олимпиадного и конкурсного уровня. Она основана на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и поддерживает контекст до 16 384 токенов. В карточке приведены результаты оценки на AIME 2024/2025, AMC, MATH-500, Minerva и Olympiad; README заявляет преимущество над другими методами zero-RL, но приведённая таблица неполна. Модель принимает текст и генерирует текст. Базовая модель ориентирована на английский и китайский языки; отдельные сведения о языковом охвате дообученной версии не приведены. Репозиторий распространяет веса в формате safetensors по лицензии MIT.

QuantFactory/Math-IIO-7B-Instruct-GGUF — квантизированная версия Math IIO 7B Instruct, разработанная QuantFactory на базе Qwen/Qwen2.5-7B-Instruct от Qwen. Модель предназначена для генерации текста, следования инструкциям и решения математических задач в формате single-shot, включая вычисления, работу с уравнениями, логические запросы, математическое рассуждение, а также объяснение решений по шагам. Она может применяться в образовательных, аналитических и задачах поддержки решения проблем. Модель имеет размер 7B параметров и относится к instruction-tuned языковым моделям. Она оптимизирована для математического контента, поддерживает точную запись математических обозначений благодаря расширенной токенизации и дополнительным токенам. Обучение выполнялось на датасете Math-IIO-68K-Mini, содержащем около 68,8 тысячи примеров математических инструкций, уравнений и логических запросов. Указан английский язык; поддерживаемые модальности ограничены текстом. Размер контекста в README не указан. К сильным сторонам относятся специализация на математическом решении задач, пошаговое объяснение, обработка запросов от базовой арифметики до продвинутого анализа и линейной алгебры, а также формат GGUF, предназначенный для использования с llama.cpp. Ограничения включают отсутствие данных о точности на бенчмарках, фактическом размере контекста и подробностях квантизации; заявленные возможности не следует рассматривать как гарантию безошибочных вычислений. Модель распространяется по лицензии creativeml-openrail-m.

Mathstral 7B — языковая модель Mistral AI для математических и научных задач, созданная на основе Mistral 7B. Это плотная авторегрессионная модель класса MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель принимает текстовые запросы и генерирует текстовые ответы; карточка показывает её использование в диалоговом режиме и приводит результаты математических бенчмарков, включая MATH и GSM8K. Модель предназначена для решения математических задач, пошаговых рассуждений и помощи с научными вопросами. В бенчмарках она показывает сильные результаты на ряде математических задач для моделей сопоставимого размера, хотя результаты зависят от набора данных и режима оценки. Карточка не перечисляет поддерживаемые естественные языки и не описывает отдельные ограничения качества. Лицензия — Apache 2.0.

modrill/math-think-s1-qwen3-4b — плотная языковая модель семейства Qwen3 с 3,7 млрд параметров, созданная методом полного supervised fine-tuning базовой модели Qwen/Qwen3-4B-Base. Разработчики адаптировали её для математических рассуждений с явными блоками размышлений; обучение выполнено в LLaMA-Factory на 75 905 примерах набора math_think_s1, основанного на данных qihoo360/Light-R1-SFTData. Модель предназначена для генерации текста при решении математических задач и пошагового объяснения рассуждений. Она использует шаблон чата qwen3 с включённым режимом thinking, работает через Transformers и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса safetensors и файлы конфигурации и токенизатора. Базовая модель — Qwen3-4B-Base. Данные обучения проверялись на пересечения с оценочными запросами AIME и MATH; удалён один пример. Модель распространяется по лицензии Apache-2.0. Карточка не сообщает результаты бенчмарков, поэтому качество решения задач по ней оценить нельзя.

math-think-s2-qwen3-4b — языковая модель семейства Qwen3, дообученная автором modrill для решения математических задач с пошаговыми рассуждениями. Это этап Light-R1 stage2 think SFT, продолженный от math-think-s1-v2; в карточке указаны один проход обучения и скорость обучения 5e-6. Модель основана на Qwen/Qwen3-4B-Base с плотной архитектурой Qwen3ForCausalLM и 3,7 млрд параметров. Она генерирует текст, поддерживает диалог и рассчитана на контекст до 32 768 токенов; обучение проводилось с отсечением последовательностей до 24 576 токенов. Репозиторий содержит веса Safetensors, а лицензия — Apache-2.0. Модель подходит для генерации решений и объяснений математических задач. Карточка не приводит результатов оценки качества или перечня поддерживаемых языков, поэтому уровень точности и языковой охват по ней оценить нельзя.

Merlyn-Education Corpus QA v2 — языковая модель компании Merlyn Mind для ответов на вопросы по предоставленному контексту в образовательной сфере. Это дообученная версия Llama 2 с архитектурой decoder-style transformer и примерно 12,9 млрд параметров. Модель работает с текстом, использует формат PyTorch и имеет контекстное окно до 4096 токенов. Модель предназначена для поиска ответов в учебных материалах и других образовательных текстах. По сравнению с версией v1 на базе Pythia, она обучена на более крупном и разнообразном наборе данных; авторы сообщают о повышении корректности и снижении числа галлюцинаций на более широком наборе тестов. Эти преимущества описаны в карточке модели и не гарантируют точность каждого ответа. Модель выпущена 21 августа 2023 года под лицензией Apache-2.0. В карточке не указаны поддерживаемые языки, поэтому описание сценариев ограничено образовательными текстами без привязки к конкретному языку.

Mille-Pensées — языковая модель GLauzza для решения математических задач с пошаговыми рассуждениями. Она создана дообучением Qwen/Qwen2.5-7B-Instruct на датасете GLauzza/Mille-Pensees-Dataset и построена на архитектуре Qwen2, содержит 7,1 млрд параметров. Модель предназначена для генерации текста и диалогов; карточка сообщает о результатах на французских математических тестах, а также на английских математических и общих тестах. Модель поддерживает французский и английский языки, использует формат safetensors и имеет контекст длиной до 32 768 токенов. Основной сценарий — решение математических задач с рассуждениями на французском языке; также заявлены возможности работы с математическими задачами на английском. Лицензия в предоставленных данных не указана.