IV.5Образование и развитие навыков

MuMath-7B — языковая модель для математических задач, созданная авторами проекта MuMath путём дообучения LLaMA-2 на наборе данных MuMath. В репозитории указана архитектура LlamaForCausalLM с 6,6 млрд параметров и контекстом 4096 токенов. Модель предназначена для генерации решений математических задач. Набор обучения MuMath использует переформулирование условий и решений, обратное построение задач, изменение выражений и сложности, а также вспомогательные задания по составлению плана и структуры решения. В README описана оценка на GSM8K и MATH и приведены скрипты для инференса и оценки. Модель принимает текст и генерирует текст. Карточка не сообщает отдельные показатели MuMath-7B и условия лицензии, поэтому качество на конкретных задачах и условия использования по доступным сведениям определить нельзя.

TNG Technology Consulting дообучила плотную языковую модель OLMo-2 на 32 млрд параметров на наборе Open R1, уделив особое внимание математическим рассуждениям. Модель предназначена для диалогового решения математических задач и генерации ответов с рассуждениями на английском языке. Она принимает текст и выдаёт текст; архитектура — Olmo2ForCausalLM, длина контекста — 4096 токенов. Для обучения использовался набор Open R1 Math 220k, а обучение проводилось на ускорителях AMD MI300X. Модель распространяется в формате safetensors по лицензии Apache-2.0. Основа — allenai/OLMo-2-0325-32B-Instruct.

OPDLM-MATH-8B-Thinking — математическая языковая модель, разработанная DiveLab и построенная на адаптации Qwen/Qwen3-8B. Это вариант OPDLM с блочной диффузионной генерацией: блоки по 4 токена обрабатываются за 4 шага денойзинга; модель дообучена для математических рассуждений и поддерживает явный блок chain-of-thought при генерации. Она предназначена для решения математических задач и пошагового вывода в диалоговом формате. Модель содержит 7,6 млрд параметров, использует архитектуру a2d-qwen3 и формат safetensors; метаданные указывают контекст до 40 960 токенов, тогда как README характеризует математическое постобучение как длинноконтекстное на 8k. Для запуска требуется custom modeling code с trust_remote_code=True и специальные средства инференса OPDLM, а стандартный авторегрессионный model.generate не подходит. Лицензия — Apache-2.0.

NVIDIA OpenMath-CodeLlama-70b-Python-hf — плотная авторегрессионная модель семейства Llama, дообученная на базе codellama/CodeLlama-70b-Python-hf для решения математических задач с помощью текстовых рассуждений и фрагментов кода, выполняемых в Python. Модель содержит 68,7 млрд параметров и имеет контекст 2048 токенов. Модель предназначена для генерации решений математических задач, где полезно сочетать объяснение на естественном языке с вычислениями на Python. Она обучена на OpenMathInstruct-1 — наборе из 1,8 млн пар «задача—решение». Карточка также описывает открытый конвейер NVIDIA NeMo для обучения, инференса и воспроизведения результатов. Поддерживаемый язык карточки — английский. Репозиторий распространяется в формате safetensors по лицензии Llama 2. Фактическое выполнение сгенерированного кода требует отдельной среды Python; качество ответов и корректность вычислений могут зависеть от формулировки задачи и не гарантируются.

OpenMath-Llama-2-70b-hf — языковая модель NVIDIA для решения математических задач. Она дообучена методом instruction tuning на базе meta-llama/Llama-2-70b-hf с использованием набора OpenMathInstruct-1, содержащего 1,8 млн пар математических задач и решений. Модель генерирует текстовые рассуждения и блоки кода, предназначенные для выполнения в интерпретаторе Python. Это подходит для решения задач по математике, где полезны пошаговое объяснение и вычисления с помощью кода. Архитектура — плотная LlamaForCausalLM, размер — 68,7 млрд параметров; контекст — 2048 токенов. В карточке указан английский язык. Модель распространяется в формате safetensors по лицензии Llama 2. Её математические ответы и сгенерированный код следует проверять; код может содержать ошибки, а контекст ограничивает длину задачи и решения.

OpenVLThinker-7B — мультимодальная модель зрения и языка на 7,1 млрд параметров, разработанная на основе Qwen2.5-VL-7B-Instruct. Она дообучена для рассуждений по визуальным данным, особенно для решения математических задач по изображениям. Модель принимает текст и изображения и формирует текстовые ответы; поддерживает контекст до 128 000 токенов и использует архитектуру Qwen2.5-VL. Её можно применять для решения задач по математике, заданных в виде изображений, и для других сценариев визуального анализа с текстовыми инструкциями. Модель распространяется в формате safetensors по лицензии Apache-2.0.

unsloth/Phi-4-mini-reasoning — компактная текстовая модель семейства Phi-4, опубликованная Unsloth и дообученная на базе microsoft/Phi-4-mini-reasoning. Это плотный трансформер с 3,8 млрд параметров; метаданные указывают контекст 4096 токенов. Модель предназначена для многошагового математического рассуждения, логических задач и генерации решений в условиях ограниченных вычислительных ресурсов и низкой задержки. Она подходит для решения сложных текстовых задач по математике, символических вычислений и пошаговых объяснений, в том числе в учебных помощниках и облегчённых локальных приложениях. README исходной модели сообщает о контексте до 128 тысяч токенов, но метаданные этого репозитория указывают 4096, поэтому для данной версии следует ориентироваться на значение из метаданных. Модель может ошибаться в фактах и не оценивалась для всех прикладных сценариев; результаты нужно проверять, особенно в чувствительных областях. Лицензия — MIT.

Qwen2.5-Math-7B-GRPO-Staleness-2 — полноразмерный чекпойнт модели Qwen2.5-Math-7B, дообученный автором zbeeb методом GRPO на наборе из 17 005 математических задач. Модель построена на плотной архитектуре Qwen2 и содержит 7,1 млрд параметров; она предназначена для генерации решений и ответов на математические задачи в диалоговом формате. Обучение завершено на шаге 1000 с ограничением возраста политик для роллаутов в два шага. Контекст составляет 4096 токенов, а предел генерации при обучении — 3072 токена. Оценивание вознаграждало математическую эквивалентность итогового ответа. Модель поддерживает английский и китайский языки; веса доступны в Safetensors, лицензия — Apache-2.0.

Qwen2.5-Math-7B-RoPE-300k — вариант модели Qwen/Qwen2.5-Math-7B, разработанный на базе семейства Qwen. В нём увеличена базовая частота RoPE до 300k, чтобы расширить контекст с 4k до 32k токенов. Это плотная авторегрессионная языковая модель архитектуры Qwen2ForCausalLM с 7,1 млрд параметров, предназначенная для генерации текста и диалогового взаимодействия. Модель подходит для генерации пошаговых решений математических задач и работы с длинными текстовыми последовательностями. В метаданных указан английский язык; базовая модель также рассчитана на китайский, но карточка этого варианта не подтверждает его поддержку отдельно. Модель распространяется в формате safetensors по лицензии Apache 2.0. Увеличенный контекст не гарантирует сохранения качества на всём диапазоне до 32k токенов; отдельные ограничения качества в карточке не описаны.

Qwen2-Math-7B-Instruct — специализированная языковая модель для математических задач, разработанная командой Qwen и построенная на базе Qwen2. Это инструктивная версия для диалогового использования, рассчитанная на решение арифметических и математических задач, включая задачи, требующие многошаговых рассуждений. Модель имеет плотную архитектуру Qwen2ForCausalLM и содержит 7,1 млрд параметров. Она принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов. На момент описания README модель в основном поддерживает английский язык. Для запуска рекомендован Transformers версии 4.40.0 или новее. Модель распространяется по лицензии Apache-2.0.

G2RPO-A/Qwen3-1.7B-Math — языковая модель для генерации текста и решения математических задач, выпущенная в рамках проекта G²RPO-A. Это дообученная методом fine-tuning модель Qwen/Qwen3-1.7B на математических данных G2RPO-A/Math-Curriculum-1K. По карточке, конфигурация соответствует Qwen3-1.7B: 28 слоёв, размер скрытого состояния 2048, 16 голов внимания и 8 голов ключей и значений; модель содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель предназначена для математических рассуждений и генерации пошаговых объяснений в диалоговом формате. В README приведён пример решения уравнения с объяснением хода рассуждений. Она загружается через Transformers и хранится в формате Safetensors. Карточка позиционирует чекпойнт как экспериментальный; лицензия в предоставленных данных не указана.

Qwen3.8-27B-VMLU — дообученная разработчиком huyhoangvbck модель на основе Qwen/Qwen3.8-27B. Она прошла SFT с LoRA на 8 195 вопросах бенчмарка VMLU по 58 учебным предметам, охватывающим STEM, общественные и гуманитарные науки и другие области; адаптер объединён с исходными весами. Модель предназначена для диалоговых ответов на вопросы и решения учебных задач, особенно на вьетнамском языке. Это плотная языковая модель с архитектурой Qwen3_5ForCausalLM и 22,3 млрд параметров. Метаданные указывают контекст до 262 144 токенов, формат safetensors и лицензию other. В карточке описано обучение Megatron-SWIFT на четырёх NVIDIA A100-40GB; это сведения о процессе обучения, а не требование к запуску.

CUAIStudents/Qwen-Ar-GEC — дообученная с помощью QLoRA модель семейства Qwen для автоматической коррекции арабского текста. Она исправляет грамматические и орфографические ошибки, добавляет диакритические знаки ко всем буквам и должна сохранять слова, имена, числа, структуру предложения и исходный смысл. Модель основана на Qwen 2.5-7B-Instruct; для обучения использовано 50 000 примеров и Llama Factory. Это плотная causal language model на 7,1 млрд параметров с контекстом до 32 768 токенов, распространяемая в формате safetensors. Модель предназначена для автоматической вычитки арабского текста, помощи при изучении языка, академическом письме и корректуре. В карточке отмечена ограниченная представленность современного стандартного арабского в обучающих данных; обучение охватило лишь 50 000 примеров из более крупного набора, поэтому качество на разных стилях и разновидностях арабского может различаться. Лицензия в предоставленных данных не указана.

SciReason-LFM2-2.6B — дообученная модель yasserrmd на базе LiquidAI/LFM2-2.6B. Это плотная причинно-языковая модель семейства LFM2 с примерно 2,4 млрд параметров; карточка указывает контекст до 128 000 токенов и формат Safetensors. Для дообучения использовались Unsloth и датасет OpenScienceReasoning-2. Модель предназначена для многошаговых научных рассуждений, ответов на образовательные вопросы и пошагового решения логических задач. Она принимает текст и генерирует текстовые ответы с объяснениями; в карточке приведён пример вопроса о C. elegans. Указан английский язык. Модель опубликована под лицензией Apache-2.0. Её ответы могут содержать ошибки, поэтому их следует проверять; автор отдельно исключает применение для клинических и юридических решений.

Модель krupper/text-complexity-classification разработана Рубеном Клеппом для классификации сложности немецкоязычных текстов. Она относит текст к одному из четырёх классов: лёгкий язык (leichte Sprache), простой язык (einfache Sprache), повседневный язык (Alltagssprache) или специальный язык (Fachsprache).

Cohere и Cohere Labs разработали Tiny Aya En-Thinker — мультиязычную авторегрессионную трансформерную модель семейства Tiny Aya на 3,35 млрд параметров. Она предназначена для диалогов, следования инструкциям, математических и научных задач, рассуждений и генерации ответов на разных языках. При включённом режиме рассуждений модель формирует цепочку рассуждений на английском, а итоговый ответ — на языке запроса; режим без рассуждений также поддерживается. Модель принимает текст и выдаёт текст. Она обучена для 44 языков, включая русский и английский, а дополнительное мультиязычное обучение расширяет охват ещё более чем на 20 языков. Контекст составляет 32 тыс. токенов суммарно для входа и выхода. Чекпойнт прошёл supervised fine-tuning на англоязычных и переведённых мультиязычных данных рассуждений. Ответы могут быть ошибочными или устаревшими; в языках с малым объёмом данных качество может быть менее стабильным, а цепочки рассуждений — длинными. Лицензия CC-BY-NC-4.0 допускает некоммерческое использование при соблюдении Acceptable Use Policy Cohere Labs; для коммерческого применения требуется связаться с Cohere.

Карточка модели nandbins/tinyllama-trl-merged на Hugging Face совпадает с карточкой SaniaKhalid/tinyllama-trl-merged, поэтому описание составлено по ней. SaniaKhalid/tinyllama-trl-merged — дообученная и объединённая с LoRA чат-модель на основе TinyLlama-1.1B-Chat-v1.0, созданная с использованием TRL. Это самостоятельная модель с архитектурой LlamaForCausalLM и примерно 1 млрд параметров; веса сохранены в формате safetensors, в README также указана точность FP16. Контекст модели составляет 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов, в частности для ответов на вопросы по образовательным материалам. Карточка указывает обучающий набор arif-butt/arifbutt_dataset и английский язык. По сравнению с исходной TinyLlama модель адаптирована под образовательные вопросы и ответы; компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия — Apache-2.0.

SaniaKhalid/tinyllama-trl-merged — дообученная и объединённая с LoRA чат-модель на основе TinyLlama-1.1B-Chat-v1.0, созданная с использованием TRL. Это самостоятельная модель с архитектурой LlamaForCausalLM и примерно 1 млрд параметров; веса сохранены в формате safetensors, в README также указана точность FP16. Контекст модели составляет 2048 токенов. Модель предназначена для генерации текста и диалоговых ответов, в частности для ответов на вопросы по образовательным материалам. Карточка указывает обучающий набор arif-butt/arifbutt_dataset и английский язык. По сравнению с исходной TinyLlama модель адаптирована под образовательные вопросы и ответы; компактный размер подходит для сценариев с ограниченными вычислительными ресурсами. Лицензия — Apache-2.0.

URSA-8B — компактная мультимодальная языковая модель семейства URSA, разработанная URSA-MATH для математических рассуждений с пошаговым выводом по тексту и изображениям. Модель предназначена для решения математических задач, в том числе по визуальным условиям. В метаданных указаны архитектура UrsaForConditionalGeneration, поддержка диалогового режима и интерфейса вызова инструментов, а также библиотека Transformers и формат safetensors. Модель ориентирована на англоязычные и китайскоязычные сценарии. Репозиторий не содержит сведений о числе параметров или длине контекста. Лицензия — Apache-2.0. Для инференса авторы адаптировали vLLM.

verifier-deepseek-math-7b-0622 — дообученная модель WooYoungSeok для проверки математических решений. Она получает условие задачи и предложенное решение и после системного запроса «You are a math solution evaluator...» выдаёт метку aligned или not_aligned, чтобы оценить, соответствует ли решение условию. Модель основана на DeepSeekMath-7B-Instruct с архитектурой LlamaForCausalLM; размер — 6,5 млрд параметров, контекст — 4096 токенов. Обучение проводилось методом SFT на двух частях верификационных данных; на сбалансированном тестовом наборе из 1610 примеров указана точность 0,8155 и macro F1 0,8150, ошибок разбора меток не было. Репозиторий распространяется по лицензии Apache-2.0.

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-ac-hal-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.

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

Карточка модели namirocks/vicuna-class-student-all-hal-7b 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-tutor-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.

Wav2vec2-large-robust-Pronounciation-Evaluation — дообученная модель на базе facebook/wav2vec2-large-robust для оценки произношения по аудиозаписи. Она использует архитектуру Wav2Vec2ForSequenceClassification и содержит 402,7 млн параметров. В README приведены результаты на оценочной выборке: accuracy, F1, precision и recall — 0,72; loss — 0,7846. Модель предназначена для классификации аудио в сценариях оценки произношения. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0. Сведения о поддерживаемых языках, составе классов и данных для обучения отсутствуют.

Карточка модели allenai/BAR-2x7B-Math-SFT на Hugging Face совпадает с карточкой allenai/BAR-2x7B-Math, поэтому описание составлено по ней. BAR-2x7B-Math — языковая модель для генерации текста с усиленными математическими возможностями. Её разработали в Allen Institute for AI в рамках подхода BAR (Branch-Adapt-Route): модель расширяет Olmo 2 7B доменным экспертом, который прошёл дополнительное обучение, supervised fine-tuning и обучение с подкреплением по проверяемым решениям (RLVR). Архитектура — смесь экспертов (MoE); в репозитории указано 6,9 млрд параметров, формат весов — safetensors, длина контекста — до 65 536 токенов. Модель предназначена прежде всего для решения математических задач и рассуждений с пошаговой генерацией ответа. Она также может вести диалог и генерировать обычный текст. В оценках из карточки BAR-2x7B-Math набрала 55,8 балла в категории математики; оценки зависят от использованных бенчмарков и не гарантируют точность отдельных ответов. Модель рассчитана на англоязычное использование; карточка не подтверждает поддержку других языков. Лицензия Apache-2.0 разрешает использование на её условиях. Как и другие генеративные языковые модели, она может выдавать неверные решения или обоснования, поэтому результаты важно проверять.

Cedar-GRPO-Qwen2.5-Math-1.5B — полноразмерный чекпойнт Qwen/Qwen2.5-Math-1.5B после 1000 шагов дообучения методом GRPO. Его разработал zbeeb как часть коллекции Cedar Math; обучение проводилось на наборе из 17 005 математических задач Cedar GRPO DAPO Math. Модель представляет собой плотную авторегрессионную архитектуру Qwen2 и содержит 1,5 млрд параметров. Модель предназначена для генерации решений математических задач в диалоговом формате. Контекст составляет 4096 токенов; при обучении использовался предел до 3072 токенов на завершение. Обучение оптимизировало математическую эквивалентность итогового ответа. Карточка сообщает об оценивании на математических бенчмарках, но приведённые результаты являются самоотчётом разработчика. Весы сохранены в Safetensors без потерь в исходной плавающей точности чекпойнта; для инференса модель можно загружать в BF16. Поддерживаются английский и китайский языки. Модель распространяется по лицензии Apache-2.0.

Cedar-GRPO-Qwen2.5-Math-7B — полноразмерный чекпойнт Qwen2.5-Math-7B, дообученный zbeeb методом GRPO на наборе Cedar GRPO DAPO Math из 17 005 примеров. Это плотная авторегрессионная модель семейства Qwen2, содержащая 7,1 млрд параметров и предназначенная для генерации решений математических задач в диалоговом формате. Модель принимает текст и генерирует текст; заявленные языки — английский и китайский. Контекст составляет 4 096 токенов. Обучение проводилось с проверкой математической эквивалентности конечного ответа; отдельная языковая модель-судья и награда за форматирование не применялись. Репозиторий содержит веса в сохранённой плавающей точке, разбитые на файлы Safetensors, и токенизатор. README приводит самооценку итогового запуска на математических тестах, однако численные результаты в доступном тексте не приведены. Лицензия — Apache-2.0.

NAMAA-Space/Cohere-Speech-Tashkeel-2B — дообученная модель распознавания речи, которая преобразует арабскую речь в текст с полной огласовкой: фатхой, даммой, касрой, сукуном, шаддой, танвином и окончаниями иʿраба. Она основана на CohereLabs/cohere-transcribe-arabic-07-2026 и специализирует акустическое восстановление огласовок по произношению. В README указана архитектура Conformer-энкодер и Transformer-декодер; метаданные каталога указывают 151 млн параметров, а README — около 2 млрд, поэтому размер требует проверки. Контекст модели — 1024 токена. Модель предназначена для подготовки огласованных расшифровок арабской речи, включая учебные материалы, субтитры и лингвистическую разметку. На отложенной выборке из 260 аудиофрагментов заявлены точность диакритических знаков 95,30%, DER 6,62% с окончаниями иʿраба и 5,67% без них. Модель опубликована под лицензией Apache-2.0. Качество транскрипции и огласовок может снижаться при шуме и нечетком произношении; для шумных записей README рекомендует предварительную фильтрацию. Модель не предоставляет временные метки или диаризацию говорящих и оптимизирована для одного заранее заданного языка.