IV.6Научные исследования, математика и новые материалы

pos-egnn — предобученная позиционно-эквивариантная графовая нейросеть для химии и материалов, представленная IBM Research. Модель на PyTorch обучена на 1,4 млн образцов набора Materials Project Trajectory (MPtrj) предсказывать энергии, силы и напряжения атомных структур. Модель можно применять как машинный потенциал, извлекатель признаков или дообучать для специализированных задач. В репозитории указаны веса версии pos-egnn.v1-6M.pt и пример инференса, извлечения признаков и молекулярной динамики. Лицензия — Apache-2.0. Модель предназначена для графового представления атомных структур и прогнозирования физических свойств. README не сообщает поддерживаемые химические элементы, точность, ограничения применимости или дополнительные параметры архитектуры.

CrystaLLM-pi_Chili100K-XRD — условная генеративная модель Bone et al. из University College London для восстановления кристаллических структур по данным порошковой рентгеновской дифракции (XRD). Это дообученная версия CrystaLLM-pi_Mattergen-XRD на наборе Chili-100K со структурами неорганических наноматериалов, отобранными из Crystallographic Open Database. Модель построена на авторегрессионном GPT-2 с механизмом Residual Attention (Slider). На вход подаются позиции 2θ и интенсивности 20 наиболее сильных пиков; на выходе генерируются кандидаты структур в синтаксисе CIF. Контекст составляет 1536 токенов и рассчитан в том числе на ячейки примерно до 100 атомов. Лицензия — MIT. Качество восстановления зависит от извлечения пиков, шума и представленности материала в обучающих данных. Модель не предназначена для систем с разупорядочением и частичными заполнениями; обучение ориентировано на неорганические наноматериалы, а качество генерации для очень больших ячеек может снижаться. При сходстве структур возможен уклон к более распространённому в обучающей выборке полиморфу.

CrystaLLM-pi_Mattergen-XRD — условная генеративная модель, разработанная Bone и коллегами из University College London. Она дообучена на базе c-bone/CrystaLLM-pi_base и использует авторегрессионную архитектуру GPT-2 с механизмом Residual Attention (Slider) для генерации кристаллических структур в формате CIF по данным порошковой рентгеновской дифракции. На вход модель получает вектор из 20 наиболее интенсивных пиков: их положений 2θ и интенсивностей. Она предназначена для восстановления структуры кристалла по экспериментальной дифрактограмме и создания кандидатов, согласующихся с ней. В метаданных указаны библиотека Transformers и контекст 1024 токена; модель поддерживает английский язык, а генерируемый CIF — структурный формат, а не естественный язык. Лицензия — MIT. Модель обучена на данных упорядоченных кристаллов и теоретических дифрактограммах. Она не рассчитана на разупорядоченные системы и частичные заполнения, а размер ячейки ограничен контекстом; README ориентировочно указывает около 20 атомов на ячейку. Потеря значимых пиков снижает качество восстановления, а при неоднозначных дифрактограммах модель может предпочесть полиморф, более представленный в обучающих данных.

STAR-XPC — модель регрессии для оценки доли рентгеновского излучения, проходящего через полимерный композитный экран. Она разработана лабораторией CMPE-NetLab и предназначена для быстрого приближённого расчёта вместо длительных симуляций penEasy на основе метода Монте-Карло. Модель принимает состав наполнителей, толщину образца и напряжение рентгеновской трубки, а возвращает отношение интенсивностей I/I₀. Лицензия — MIT. Архитектура объединяет эмбеддинги компонентов, полученные ChemBERTa из SMILES, и Set Transformer для обработки набора ингредиентов; учитываются также физические признаки. Модель рассчитана на полиэтиленовые композиты с долей полиэтилена 20–40% и наполнителями из обучающих данных, толщину 0,15–2,5 мм и спектры 30, 80, 100 и 120 кВп. Другие напряжения интерполируются, но не проверены. Новые материалы можно зарегистрировать по SMILES, однако такие прогнозы следует считать оценочными и подтверждать симуляцией Монте-Карло. Выходной слой не ограничен диапазоном 0–1, поэтому возможны небольшие выходы за его границы.

CrystaLLM-pi_SLME — авторегрессионная модель на архитектуре GPT-2, разработанная Bone и коллегами из University College London для генерации кристаллических структур-кандидатов на основе заданного значения спектроскопической предельной эффективности (SLME). Модель дообучена на базе c-bone/CrystaLLM-pi_base и использует механизм Property-Key-Value (PKV) для условной генерации файлов CIF. Репозиторий содержит веса в формате Safetensors; модель предназначена для поиска материалов для фотоэлектрических устройств и солнечных элементов. Пользователь задаёт целевое значение SLME, например выше 25%, а модель генерирует структуру в синтаксисе Crystallographic Information File. Контекст составляет 1025 токенов, поэтому большие элементарные ячейки могут не поместиться. Обучение проводилось на наборе примерно из 5,3 тысячи материалов, и модель может хуже работать для значений SLME, связанных с механизмами вне обучающего распределения. Генерируемые структуры являются теоретическими кандидатами и требуют проверки расчётами Hybrid-DFT и экспериментальным синтезом. Лицензия — MIT.

ExoMind — агентная модель для научных рассуждений и исследований, разработанная командой ExoMind из Shanghai Artificial Intelligence Laboratory. Это дообученная на Qwen/Qwen3.5-35B-A3B мультимодальная модель семейства Qwen3.5-MoE с поддержкой изображений, диалога и интерфейса вызова инструментов. Основные сценарии — ответы на научные вопросы, поиск и сопоставление источников, обоснование выводов доказательствами, математические и вычислительные рассуждения, а также проверка решений с помощью кода. Система объединяет языковую модель, инструменты взаимодействия с источниками и автономные процессы работы с результатами. В README указан контекст до 262 144 токенов. По заявлению разработчиков, модель показала средний результат 68,3 на восьми научных бенчмарках в описанной ими схеме оценки. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0.

Карточка модели StarLiu714/GPT-oss-MOFinder на Hugging Face совпадает с карточкой StarLiu714/GPT-oss-MOF, поэтому описание составлено по ней. GPT-oss-MOF — дообученная StarLiu714 модель на базе GPT-oss-20B для предсказания того, приведут ли заданные условия реакции к образованию кристаллического металлоорганического каркаса (MOF). Это причинная языковая модель архитектуры GPT-OSS с разреженной экспертной структурой MoE; опубликованный репозиторий содержит BF16-веса в формате safetensors, токенизатор и данные для обучения и проверки. В метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для оценки условий синтеза MOF по текстовому описанию реакции и выдаёт вероятность положительного результата. В README приведены обучающая выборка из 23 528 примеров и отложенная выборка из 2 595 примеров; часть кластеров из одной публикации встречается в обеих выборках, что следует учитывать при оценке обобщения. Для запуска и продолжения обучения нужны Python, PyTorch и совместимый CUDA GPU; описанный сценарий использует BF16 и может требовать значительной видеопамяти. Лицензия репозитория — GPL-3.0.

Intern-S1-Pro — мультимодальная научно-ориентированная модель рассуждений, разработанная командой InternLM. Она предназначена для сложных задач AI4Science, включая химию, материаловедение, науки о жизни и науки о Земле, а также для общих текстовых и мультимодальных сценариев. Модель поддерживает работу с изображениями и текстом и заявлена как обеспечивающая результаты, сопоставимые с ведущими закрытыми моделями на ряде научных и общих тестов. Модель построена по архитектуре Mixture of Experts (MoE) и имеет около 1 трлн общих параметров, 512 экспертов и 8 активируемых экспертов на каждый токен, то есть примерно 22 млрд активных параметров. Для маршрутизации используются STE и grouped routing, предназначенные для эффективного обучения, стабильной сходимости и балансировки параллельной работы экспертов. Fourier Position Encoding (FoPE) и улучшенное моделирование временных рядов позволяют обрабатывать длинные неоднородные последовательности размером от 10⁰ до 10⁶ точек. Сильные стороны модели — научное reasoning, широкие мультимодальные возможности и поддержка временных рядов с большим диапазоном длин. К ограничениям относятся крайне большие вычислительные требования: запуск через стандартный forward-метод Hugging Face затруднён, поэтому рекомендуется размещение через LMDeploy, vLLM или SGLang и доступ по API. README не указывает точный набор поддерживаемых языков и размер контекстного окна. Модель распространяется по лицензии Apache-2.0.

Intern-S2-397B — мультимодальная базовая модель компании InternLM, предназначенная для научных задач, сложных рассуждений и длительных агентных сценариев. В метаданных указана архитектура семейства Qwen3.5 MoE и библиотека Transformers; карточка описывает визуально-языковое предобучение, многозадачное обучение с подкреплением и агентное обучение в интерактивных средах. Размер модели в предоставленных сведениях не указан. Модель принимает текст и изображения, включая необработанные страницы научной литературы, и умеет работать с временными рядами через LMDeploy. Её предполагаемые сценарии включают анализ научных материалов, решение специализированных научных задач, генерацию структур для биомолекул и материалов, а также выполнение длительных задач агентом с вызовом инструментов. README приводит оценивание текстовых задач при длине инференса до 256K токенов и мультимодальных — до 64K токенов; это параметры оценки, а не заявленная длина контекста модели. Карточка сообщает о поддержке режимов рассуждения и вызова инструментов, но не приводит список поддерживаемых естественных языков. Репозиторий использует safetensors и библиотеку Transformers; для развёртывания перечислены LMDeploy, vLLM и SGLang. Лицензия — Apache-2.0. Заявления о результатах основаны на бенчмарках, описанных авторами; для временных рядов README указывает поддержку инференса только в LMDeploy.

Intern-S2-Preview — мультимодальная модель общего назначения с 35 млрд параметров, разработанная командой InternLM. Она продолжает предварительное обучение на базе Qwen3.5 и дообучена по полному циклу, включающему предварительное обучение и обучение с подкреплением на сотнях научных задач. Модель предназначена для диалога, рассуждений, понимания изображений и научных рабочих процессов с использованием инструментов. Модель поддерживает специализированные научные сценарии, включая задачи по естественным наукам, моделирование физических сигналов и генерацию кристаллических структур материалов. Для длинных временных рядов заявлена работа с последовательностями от 1 до 1 000 000 точек; в README также приведены оценки с длиной вывода до 128K токенов для текстовых задач и до 64K для мультимодальных. Режим рассуждений включён по умолчанию, а для агентных сценариев доступен вызов инструментов. Модель работает с текстом и изображениями; README также описывает обработку временных рядов. Для временных рядов на момент публикации карточки поддержка инференса указана только в LMDeploy. Репозиторий содержит веса safetensors и использует Transformers. Лицензия — Apache-2.0. Заявленные характеристики отражают результаты разработчиков; карточка не приводит независимой оценки качества или полного описания поддерживаемых языков.

MIST-1.8B-kayun6v3-gap — вариант модели семейства MIST, разработанный Electrochemical Energy Group Мичиганского университета. Это энкодер RoBERTa-PreLayerNorm с 24 слоями, размером скрытого состояния 1536, 24 головами внимания и максимальной длиной последовательности 2048 токенов, дополненный двухслойной MLP-головой для регрессии. Модель дообучена на наборе QM9 из MoleculeNet для предсказания HOMO–LUMO-зазора молекул. На вход подаются SMILES-строки, обычно в кекулизованной форме; на выходе — численная оценка зазора в Hartree. Предварительное обучение проводилось на SMILES из Enamine REAL Space с задачей masked language modeling. Модель подходит для вычислительного скрининга молекул и изучения их электронных свойств. Репозиторий содержит веса Safetensors и заявляет лицензию Apache 2.0, однако README ограничивает использование исследовательскими целями, запрещает коммерческое использование без отдельного соглашения и перераспространение без разрешения.

OmniChem-7B-v1 — специализированная языковая модель для химии, разработанная командой OmniChem. Это причинная трансформерная модель с архитектурой Qwen2, обученная на базе Qwen2.5-7B-Instruct: авторы продолжили предварительное обучение на специализированном корпусе объёмом 5 млрд токенов, а затем дообучили модель на парах вопросов и ответов и примерах рассуждений. В репозитории доступны веса Safetensors; модель содержит 7,1 млрд параметров и принимает текстовые инструкции, выдавая текстовые ответы. Модель предназначена для химических исследовательских задач, включая планирование синтеза, анализ и оптимизацию физико-химических свойств и фот физических свойств веществ. Авторы заявляют, что обучение на физических ограничениях и структурированных рассуждениях помогает снижать фактические ошибки. Метаданные указывают контекст до 32 768 токенов; README описывает расширение до 128 000 токенов с YaRN при соответствующей настройке. Модель совместима с Transformers версии 4.40.0 и выше. Лицензия CC BY-NC-SA 4.0 разрешает использование на указанных условиях, включая ограничения на коммерческое применение.

ChemMRL-alpha — обученная модель Sentence Transformers для представления молекул, разработанная в рамках проекта Chem-MRL. Она принимает SMILES-строки и преобразует их в нормализованные плотные векторы размерностью 1024 для поиска и сравнения молекул. Архитектура основана на RoBERTa/ChemBERTa с усреднением токенных представлений и нормализацией; косинусное сходство подходит для оценки близости. Максимальная длина последовательности — 128 токенов. Модель можно применять для семантического поиска и индексации химических структур, кластеризации и классификации молекул. Лицензия — Apache-2.0.

GPT-oss-MOF — дообученная StarLiu714 модель на базе GPT-oss-20B для предсказания того, приведут ли заданные условия реакции к образованию кристаллического металлоорганического каркаса (MOF). Это причинная языковая модель архитектуры GPT-OSS с разреженной экспертной структурой MoE; опубликованный репозиторий содержит BF16-веса в формате safetensors, токенизатор и данные для обучения и проверки. В метаданных указан размер 1,6 млрд параметров и контекст до 131 072 токенов. Модель предназначена для оценки условий синтеза MOF по текстовому описанию реакции и выдаёт вероятность положительного результата. В README приведены обучающая выборка из 23 528 примеров и отложенная выборка из 2 595 примеров; часть кластеров из одной публикации встречается в обеих выборках, что следует учитывать при оценке обобщения. Для запуска и продолжения обучения нужны Python, PyTorch и совместимый CUDA GPU; описанный сценарий использует BF16 и может требовать значительной видеопамяти. Лицензия репозитория — GPL-3.0.

MolParser-Mobile-V2 — компактная модель UniParser для оптического распознавания химических структур (OCSR): она преобразует изображения молекул в запись E-SMILES 2.0. Модель построена по архитектуре vision encoder-decoder и содержит около 10 млн параметров; принимает изображения размером до 384 × 384 пикселей и генерирует последовательность длиной до 384 токенов. Модель предназначена для распознавания молекул в химической литературе, включая сложные структуры Markush, стереохимические обозначения, полимеры и повторяющиеся структурные фрагменты. В README приведены результаты тестирования на нескольких наборах данных и указано улучшение точности относительно предыдущей версии MolParser-Mobile; фактическое качество зависит от изображения и сложности структуры. Веса модели доступны по лицензии CC BY-NC-SA 4.0 только для некоммерческого использования. Библиотека MolParser, предоставляющая дополнительные функции обнаружения молекул, постобработки и визуализации, распространяется отдельно по Apache 2.0.

polyBERT — химическая языковая модель, представленная К. Кюннетом и Р. Рамапрасадом для машинного анализа полимеров. Она принимает строки PSMILES и преобразует их в плотные векторы размерностью 600, представляющие химическую структуру полимеров; эти векторы можно использовать для поиска сходных структур и последующего анализа. Модель построена на архитектуре DeBERTa-v2, содержит 28,5 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для задач полимерной информатики, включая извлечение признаков и сравнение структур по сходству. Для работы доступны PyTorch и интеграция с Sentence Transformers либо Transformers с соответствующей операцией pooling. Естественный язык интерфейса не заявлен: входом служат структурные записи PSMILES. Лицензия описана в отдельном файле LICENSE, но её условия в предоставленных данных не приведены.

AtomFormer base — трансформерная модель для атомистических графов, разработанная в рамках проекта AtomGen Vector Institute. Архитектура использует гауссовы попарные позиционные эмбеддинги, чтобы учитывать 3D-геометрию в механизме внимания. Эмбеддинги атомов также обогащаются нормализованными характеристиками химических элементов, включая атомный радиус, электроотрицательность и валентность. Модель предварительно обучена на объединённых наборах атомистических структур, энергий и сил, включая OC20, OC22, ODAC23, MPtrj и SPICE. Она предназначена прежде всего для извлечения признаков и дообучения на последующих задачах; базовая модель также может использоваться для предсказания сил на атомах и энергии системы, но качество этих предсказаний отдельно не подтверждено. Для входа нужны токенизированные символы атомов и 3D-координаты. Модель распространяется по лицензии Apache-2.0.

Cephalo — мультимодальная модель зрения и языка, разработанная лабораторией LAMM MIT для работы с изображениями и научным текстом, особенно в материаловедении. Это дообученная версия meta-llama/Llama-3.2-11B-Vision-Instruct с архитектурой mllama и 11 млрд параметров; в карточке указано окно контекста 128k в названии репозитория. Модель принимает изображения и текстовые запросы, а ответы формулирует текстом. Она обучалась на научных парах изображений и текста, извлечённых из Википедии и научных публикаций. Модель предназначена для описания научных изображений, ответов на вопросы о них и интерпретации графиков, схем и микроструктур материалов. Её можно использовать в мультимодальных научных диалогах, а также как компонент конвейеров генерации 2D- и 3D-представлений микроструктур для аддитивного производства. Карточка заявляет поддержку нескольких языков, но не перечисляет конкретные языки. Репозиторий содержит веса safetensors и использует библиотеку Transformers; лицензия — Apache-2.0. Качество может зависеть от предметной области, сложности изображения и формулировки запроса; README не приводит количественных оценок. Генерация 2D- и 3D-представлений описана как сценарий применения в составе конвейеров, но сама модель выдаёт текст, а не изображения или 3D-объекты.

Graphormer base PCQM4Mv1 — модель на архитектуре Graphormer, разработанная Microsoft и предварительно обученная на наборе PCQM4M-LSC. Это трансформер для классификации графов и получения их представлений; модель заняла первое место в треке quantum prediction соревнования KDD Cup 2021. Модель подходит для классификации графов и задач моделирования молекул, а также для дообучения под последующие задачи. Она содержит 113,2 млн параметров и распространяется в формате PyTorch. Лицензия — MIT. Для больших графов модель требует значительных ресурсов памяти, поэтому при обработке таких графов возможны ошибки нехватки памяти.

Intern-S1-Pro — мультимодальная модель рассуждений, разработанная командой InternLM. Это разреженная MoE-модель общего и научного назначения с 1 трлн параметров, 512 экспертами и 22 млрд активируемых параметров на токен. Она предназначена для сложных рассуждений в химии, материаловедении, науках о жизни и Земле, а также для общих текстовых и мультимодальных задач. Поддерживает режим рассуждений, включённый по умолчанию, который можно отключить при формировании диалога. Модель заявлена для обработки изображений и текста; в README также описана поддержка длинных временных рядов длиной от 1 до 1 000 000 точек с Fourier Position Encoding. Для развёртывания авторы рекомендуют inference-движки LMDeploy, vLLM или SGLang, поскольку запуск модели такого размера стандартным методом Hugging Face затруднён. Поддержка временных рядов в этих сценариях развёртывания ещё оптимизируется. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0.

Intern-S2-Preview-397B — мультимодальная модель общего назначения, разработанная командой InternLM. Она предназначена для рассуждений, научных задач и продолжительных агентных сценариев. Модель обучали на визуальных представлениях страниц научной литературы, задачах с подкреплением из более чем 20 научных областей и интерактивных агентных средах. В карточке указано 397B в названии; архитектура обозначена как плотная, класс — InternS2PreviewForConditionalGeneration. Модель принимает текст и изображения, поддерживает диалог, вызов инструментов и режим рассуждения, включённый по умолчанию. README также описывает анализ временных рядов, включая обнаружение сейсмических событий и прогнозирование; для такого ввода указана поддержка только в LMDeploy. В текстовых тестах использовалась длина инференса до 256K токенов, а в мультимодальных — до 64K. Предлагаются LMDeploy, vLLM и SGLang для развёртывания. Языки модели в предоставленных данных не обозначены. Лицензия — Apache-2.0.

MIST-mixtures-zffffbex — модель Electrochemical Energy Group Мичиганского университета для предсказания свойств бинарных молекулярных смесей. Это дообученный вариант MIST-28M: энкодер RoBERTa-PreLayerNorm с 8 слоями, размером скрытого состояния 512, 8 головами внимания и максимальной длиной последовательности 2048 токенов объединён с регрессионной сетью на основе MLP. Модель принимает SMILES двух соединений, их мольные доли и температуру и предсказывает плотность, молярную энтальпию и молярный объём, включая линейный и избыточный вклады. Модель предназначена для оценки свойств бинарных смесей в зависимости от состава и температуры. Обучение проводилось на данных о смесях, собранных из научной литературы; указано 888 045 наблюдений для 715 молекул и 1 519 уникальных бинарных смесей. Основной язык здесь не определяет назначение: входы представлены SMILES и числовыми параметрами, а выходы — числовые прогнозы. Лицензия — GPL-3.0; README также заявляет исследовательское использование и указывает, что коммерческое применение требует отдельного лицензионного соглашения.

Карточка модели HAYDERphd/polyBERT на Hugging Face совпадает с карточкой cooperzvegintzov/polyBERT, поэтому описание составлено по ней. polyBERT — химическая языковая модель, представленная К. Кюннетом и Р. Рамапрасадом для машинного анализа полимеров. Она принимает строки PSMILES и преобразует их в плотные векторы размерностью 600, представляющие химическую структуру полимеров; эти векторы можно использовать для поиска сходных структур и последующего анализа. Модель построена на архитектуре DeBERTa-v2, содержит 28,5 млн параметров и рассчитана на последовательности длиной до 512 токенов. Модель предназначена для задач полимерной информатики, включая извлечение признаков и сравнение структур по сходству. Для работы доступны PyTorch и интеграция с Sentence Transformers либо Transformers с соответствующей операцией pooling. Естественный язык интерфейса не заявлен: входом служат структурные записи PSMILES. Лицензия описана в отдельном файле LICENSE, но её условия в предоставленных данных не приведены.

PolymerNER — модель распознавания именованных сущностей, разработанная на основе MaterialsBERT и дообученная на 638 аннотациях научных публикаций о полимерах. К архитектуре BERT добавлен линейный классификатор, который определяет тип каждого токена; модель не учитывает регистр символов и принимает последовательности длиной до 512 токенов. Модель предназначена для разметки текстов по материаловедению: она выделяет полимеры и их семейства, органические и неорганические вещества, мономеры, названия и значения свойств, а также количества материалов. Обучающие, валидационные и тестовые данные связаны с полимерами, но авторы указывают, что определённая моделью онтология применима и к другим текстам по материаловедению. Модель опубликована в формате PyTorch и использует лицензию с обозначением «other»; конкретные условия лицензии следует проверить на странице репозитория. Карточка рекомендует Transformers для запуска и отмечает, что метрики качества приведены в связанной научной статье.

CrystalReasoner (CrysReas) — дообученная языковая модель для генерации кристаллических структур по инструкциям на естественном языке. Разработчики описывают подход как сквозную генерацию с supervised fine-tuning и последующим reinforcement learning на проверяемых вознаграждениях. Модель формирует рассуждения с кристаллографическими и физическими предпосылками перед выдачей координат. Модель построена на плотной архитектуре Qwen2 и содержит 3,1 млрд параметров. Она предназначена для генерации структур с заданными свойствами и повышения их валидности и стабильности; заявленное окно контекста — 32 768 токенов. Карточка предлагает запуск через Transformers. Лицензия в доступных данных не указана.

Qwen3.5-4B-MatRL-MT-RL — плотная мультимодальная модель семейства Qwen3.5 от автора репозитория amayuelas, дообученная методом GRPO-style многошагового обучения с подкреплением на базе amayuelas/Qwen3.5-4B-MatRL-MT-SFT. Она предназначена для обратного проектирования кристаллических структур: агент предлагает кандидатные структуры, оценивает их с помощью межатомного потенциала машинного обучения, уточняет и отправляет итоговый вариант. Обучение поощряло валидность, новизну и термодинамическую стабильность. Модель работает в диалоговом режиме и обучена выполнять последовательность действий в рамках нескольких ходов, сохраняя рассуждения в нативном канале thinking. В README приведены результаты оценки на распределениях in-distribution, out-of-distribution и безусловной генерации; независимые проверяющие модели показали близкие или более высокие показатели SUN (stable, unique, novel), чем модель, использованная для награды. В README также отмечено, что часть обучающих эпизодов была усечена окном в 16 384 токена, а отключение thinking не рекомендуется. Репозиторий содержит веса Safetensors; лицензия — Apache-2.0.

ChemFM-3B — химическая фундаментальная модель от исследовательской группы TheLuoFengLab. Это плотная авторегрессионная языковая модель семейства LLaMA с 3 млрд параметров, предварительно обученная методом причинного языкового моделирования на 178 млн молекул из UniChem. Она работает с химическими структурами, представленными строками SMILES, и предназначена для генерации молекул и дообучения под задачи прогнозирования свойств, синтеза и ретросинтеза реакций. Модель имеет контекст 512 токенов; в репозитории опубликованы веса Safetensors, лицензия MIT.

CrystaLLM-pi_bandgap — авторегрессионная генеративная модель на основе GPT-2, разработанная Bone и коллегами из University College London. Это дообученная версия CrystaLLM-pi_base с механизмом Prefix Attention, который задаёт условия генерации через целевые значения band gap и энергии выше выпуклой оболочки E_hull. Модель предназначена для обратного проектирования неорганических кристаллических материалов: по заданным электронным и термодинамическим свойствам она генерирует структуры кристаллической ячейки и атомных позиций в формате CIF. Контекст составляет 1026 токенов. Модель работает с текстовым представлением CIF; карточка указывает английский язык, а данные обучения относятся к материалам из Materials Project. Модель полезна для исследовательского поиска кандидатов с заданной шириной запрещённой зоны и оценкой стабильности. Генерации могут содержать синтаксически некорректные CIF, химически неправдоподобные или нестабильные структуры; обучение также смещено в сторону областей, хорошо представленных в обучающих данных. Она ориентирована на упорядоченные неорганические структуры, ненадёжна для ячеек более чем примерно с 20 атомами и не поддерживает частичные заселённости. Кандидаты требуют проверки симуляциями, например DFT, до практического применения. Лицензия — MIT.

CrystaLLM-pi_density — авторегрессионная модель на базе GPT-2, разработанная Bone и коллегами из Университетского колледжа Лондона. Это дообученная версия c-bone/CrystaLLM-pi_base с механизмом Prefix Attention (PKV), который задаёт условия генерации по целевой плотности и энергии выше выпуклой оболочки E_hull — показателю термодинамической стабильности. Модель предназначена для обратного проектирования неорганических кристаллических материалов: по заданным свойствам она генерирует структуры в формате CIF, включая параметры ячейки и координаты атомов. Возможные сценарии — поиск кандидатов с заданной плотностью, в том числе пористых материалов или материалов для радиационной защиты. Контекст составляет 1026 токенов; модель обучена на данных MatterGen Density. Лицензия — MIT. Модель рассчитана на исследовательскую работу, а не на прямое промышленное применение. Она обучена только на неорганических структурах, не поддерживает частичные заполнения в разупорядоченных системах и ненадёжно работает с ячейками более чем примерно с 20 атомами. CIF могут быть синтаксически некорректны или химически неправдоподобны; пригодность структур необходимо проверять симуляциями, например DFT. Качество также может снижаться для значений плотности вне диапазона обучающих данных.

GALACTICA 120B — авторегрессионная языковая модель на основе decoder-only Transformer из семейства OPT, разработанная командой Papers with Code в Meta AI и размещённая на Hugging Face Мануэлем Ромеро. Модель содержит 161,6 млрд параметров и обучена на 106 млрд токенов научных текстов и данных: статей, учебников, энциклопедий, научных сайтов и баз знаний. Контекст — 2048 токенов. Модель предназначена для научных задач: ответов на вопросы, математических рассуждений, суммаризации и генерации документов, предсказания цитирований, извлечения сущностей и оценки свойств молекул. Она также может применяться в научных инструментах для поиска и работы с литературой. Обучение на крупном научном корпусе помогает выполнять задачи, требующие научных знаний, но модель может галлюцинировать, в том числе при генерации цитат, и проявлять смещения. Для применения в производстве нужны меры предосторожности и проверка результатов. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях.