IV.6Научные исследования, математика и новые материалы

Yakk99/scihigh2026-subtask1-bart-large-cnn — англоязычная модель на архитектуре BART, разработанная на основе facebook/bart-large-cnn и дообученная на наборе MixSub-SciHigh. Она предназначена для генерации 3–5 кратких тезисов о результатах и вкладе научной работы по её аннотации; общий объём тезисов — около 50–55 слов. В отличие от обычного пересказа, модель формирует сжатые тезисные формулировки в телеграфном стиле. Модель принимает текст аннотации и генерирует текст. Контекст ограничен 1024 токенами. На официальной валидационной выборке из 1 985 примеров ROUGE-L составил 24,37%; оценка проводилась по метрикам сходства текста, без отдельной проверки фактической точности. Репозиторий распространяется по лицензии MIT. Качество результата может снижаться, если исходная аннотация обрезана: часть сведений, упомянутых в эталонных тезисах, тогда отсутствует во входном тексте. Модель оценена на одной валидационной выборке, а её способность избегать фактических ошибок отдельно не проверялась.

PeytonT/author-embedding — дообученный энкодер на базе sentence-transformers/all-MiniLM-L6-v2, разработанный как компонент исследовательского стека Repository Library. Он учится представлять авторов и научные сообщества по метаданным публикаций и графовому контексту, чтобы использовать эти представления для поиска, ранжирования, планирования и анализа научных работ. Модель построена на архитектуре BERT, содержит 25,9 млн параметров, принимает текст и формирует векторные представления; длина контекста — до 512 токенов. Обучающие данные включают метаданные arXiv: названия, аннотации, авторов и категории. Карточка не приводит лицензию, поэтому условия использования установить нельзя. Результаты следует проверять на целевом сценарии: карточка описывает экспериментальную конфигурацию, а отдельный внешний отчёт об оценке не представлен.

ChemLLM-20B-Chat-SFT — чат-модель для химии и молекулярной науки, разработанная командой AI4Chem на основе архитектуры InternLM2. Она предназначена для диалоговых ответов на вопросы по химии и смежным научным темам; в карточке приведены результаты ChemLLM-7B-Chat на отдельных разделах MMLU, но они не подтверждают те же показатели для версии 20B. Модель содержит 19,3 млрд параметров, использует плотную архитектуру InternLM2 и поддерживает контекст до 32 768 токенов. В метаданных указаны английский и китайский языки, формат весов safetensors и задача генерации текста. Модель подходит для консультаций по химическим понятиям, объяснения учебных тем и диалоговой помощи в молекулярной науке. Ответы могут содержать ошибки и требуют проверки специалистом. Модель распространяется по лицензии Apache-2.0.

Fireball-MathMistral-Nemo-Base-2407 — языковая модель EpistemeAI для генерации текста с улучшенной поддержкой математических задач. Она дообучена методом supervised fine-tuning на MetaMathQA на основе unsloth/Mistral-Nemo-Base-2407-bnb-4bit с использованием Unsloth и TRL. Модель построена на плотной архитектуре Mistral с 12,1 млрд параметров; README указывает контекст 128 тыс. токенов, а метаданные каталога — 1 024 000 токенов. Для генерации текста принимает текстовые запросы и выдаёт текст; в карточке отмечена поддержка английского языка, а базовая Mistral Nemo обучалась на многоязычных данных. Модель подходит для решения и объяснения математических задач в диалоговом формате, а также для общей генерации текста. Выпущена под лицензией Apache 2.0. Карточка предупреждает, что базовая модель не имеет механизмов модерации; качество ответов может зависеть от формулировки задачи и параметров генерации.

PixVL-coupled50k-v7 — модель семейства Qwen3-VL для сегментации изображений. Это публичный экспорт обучения PixVL, созданный на основе Qwen3-VL-4B-SAMTok и опубликованный в формате Hugging Face с весами safetensors. Модель предназначена для задач сегментации изображений; её архитектура — Qwen3VLForConditionalGeneration. Автор указывает исследовательское применение. Модель наследует лицензию и ограничения использования исходной Qwen3-VL-4B-SAMTok; метаданные репозитория указывают лицензию MIT.

tinyopsec/Qwen3-1.7B-Distilled-30B-A3B-GGUF — набор GGUF-квантизаций каузальной языковой модели на архитектуре Qwen3ForCausalLM. Модель разработана Convergent Intelligence LLC: Research Division на основе Qwen3-1.7B и дистиллирована из Qwen3-30B-A3B-Instruct-2507; квантизации подготовлены tinyopsec. Модель содержит около 2,03 млрд параметров, обучалась в формате BF16, поддерживает генерацию текста на английском языке и предназначена для запуска через llama.cpp, llama-cpp-python, LM Studio и Ollama. Основная специализация — STEM-задачи: математические выводы и доказательства, физика, инженерия, линейная алгебра и дифференциальные уравнения. Дистилляция использует метод DISC v3 с усилением значимых переходов в рассуждениях, сглаживанием высокоэнтропийных токенов, регуляризацией структурных отклонений и повышенным весом фрагментов доказательств. Модель подходит для образовательных объяснений, лёгкого reasoning на CPU или периферийных устройствах, а также как генератор в RAG- и verifier-generator-пайплайнах. Доступны варианты от F16 примерно на 3,8 ГБ до Q2_K примерно на 0,7 ГБ; рекомендуемым для качества указан Q5_K_M, а Q4_K_M предлагает компромисс между размером и качеством. Заявленная длина контекста обучения составляет 1024 токена, поэтому длинные выводы могут ухудшаться. Модель не является формальным проверяющим доказательства или системой компьютерной алгебры и способна генерировать правдоподобные, но ошибочные рассуждения; покрытие предметных областей неравномерно, особенно ограничены молекулярная биология и физиология. Лицензия — Apache 2.0.

SAM 2 Hiera Small — компактная версия модели Segment Anything 2, разработанной FAIR и предназначенной для сегментации объектов по визуальным подсказкам в изображениях и видео. Репозиторий предоставляет веса в формате Safetensors для использования через Transformers; README также описывает официальный код проекта. Модель выделяет объекты по точкам, ограничивающим рамкам и предыдущим маскам, а также может автоматически создавать маски объектов на изображении. Для видео SAM 2 отслеживает объекты между кадрами, поддерживает работу с несколькими объектами и потоковую обработку кадров. Модель работает с визуальными данными и не предназначена для понимания текстовых запросов как языковая модель. Репозиторий распространяется по лицензии Apache-2.0. README не приводит размер модели, длину контекста или сведения о поддерживаемых естественных языках; эти параметры для визуальной сегментации не являются ключевыми. Практическое качество масок зависит от изображения и выбранных подсказок, а для видео требуется обработка последовательности кадров.

Карточка модели CollectionStudio/sam2-hiera-tiny на Hugging Face совпадает с карточкой facebook/sam2-hiera-tiny, поэтому описание составлено по ней. SAM 2 Hiera Tiny — компактная версия модели Segment Anything in Images and Videos, разработанная FAIR. Это визуальная модель сегментации, доступная в формате Safetensors и поддерживаемая библиотекой Transformers; репозиторий содержит реализацию для работы с изображениями и видео. Модель выделяет объекты по точкам, ограничивающим рамкам или ранее полученным маскам, а также может автоматически создавать маски для объектов на изображении. Для видео SAM 2 сегментирует и отслеживает выбранные объекты между кадрами, включая потоковую обработку и одновременную работу с несколькими объектами. Модель предназначена для визуальной сегментации и трекинга, а не для генерации текстовых описаний. Репозиторий распространяется по лицензии Apache-2.0.

SAM 2 Hiera Tiny — компактная версия модели Segment Anything in Images and Videos, разработанная FAIR. Это визуальная модель сегментации, доступная в формате Safetensors и поддерживаемая библиотекой Transformers; репозиторий содержит реализацию для работы с изображениями и видео. Модель выделяет объекты по точкам, ограничивающим рамкам или ранее полученным маскам, а также может автоматически создавать маски для объектов на изображении. Для видео SAM 2 сегментирует и отслеживает выбранные объекты между кадрами, включая потоковую обработку и одновременную работу с несколькими объектами. Модель предназначена для визуальной сегментации и трекинга, а не для генерации текстовых описаний. Репозиторий распространяется по лицензии Apache-2.0.

Карточка модели Justin331/sam3 на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

Карточка модели jetjodh/sam3.1 на Hugging Face совпадает с карточкой facebook/sam3.1, поэтому описание составлено по ней. SAM 3.1 — модель Meta для сегментации объектов по запросам в изображениях и видео. Она находит и выделяет масками экземпляры объектов по текстовому описанию или визуальным подсказкам: точкам, рамкам и маскам. Модель поддерживает сегментацию всех экземпляров заданного понятия из открытого словаря и отслеживание объектов в видео. SAM 3.1 развивает SAM 3 за счёт Object Multiplex — совместного отслеживания нескольких объектов с общей памятью. По данным карточки, это ускоряет инференс примерно в семь раз при отслеживании 128 объектов на одном GPU H100 без потери точности; также улучшены результаты на шести из семи бенчмарков VOS. Репозиторий содержит чекпойнты PyTorch, но не включает интеграцию с Transformers; инструкции по установке и использованию размещены в репозитории SAM 3 на GitHub. Указана лицензия other.

Модель Vino1502/scihigh-2026-task2-bart разработана Vino1502 для соревнования SciHigh 2026, подзадача 2. Это дообученная англоязычная модель BART-Large с архитектурой encoder-decoder Transformer для преобразования текста в текст. Она принимает аннотацию научной статьи и генерирует краткий заголовок, отражающий её основные выводы. Модель предназначена для автоматизации подготовки научных заголовков по аннотациям. Контекст модели составляет 1024 токена. В репозитории веса представлены в формате Safetensors и для работы используется библиотека Transformers. Лицензия в предоставленных данных не указана.

SmolLM2Prover — компактная языковая модель Convergent Intelligence LLC: Research Division, созданная дообучением prithivMLmods/SmolLM2-CoT-360M. Она предназначена для генерации текста с акцентом на математические и логические рассуждения, пошаговые объяснения и построение доказательств; также поддерживает диалог и выполнение сложных инструкций. Модель имеет плотную архитектуру семейства Llama с 361,8 млн параметров, принимает текст и рассчитана на контекст до 8192 токенов. В обучении использованы несколько этапов SFT с TRL, набор AI-MO/NuminaMath-1.5 и дополнительные данные для рассуждений. Карточка указывает английский язык и лицензию Apache-2.0. Модель может быть полезна в учебных помощниках по математике, чат-ботах и системах, которым нужны разбор задач и объяснение хода решения. Она может ошибаться в вычислениях и доказательствах, особенно на задачах, отличающихся от обучающих данных; результаты требуют проверки. Заявления карточки о глубоком рассуждении не сопровождаются здесь количественными результатами оценки.

SOLID-Qwen3 — дообученная языковая модель AIOR-Research для задач исследования операций и математической оптимизации. Она преобразует описания задач на естественном языке в структурированные рассуждения, формулировки линейного программирования и Python-код для решателей. Модель основана на плотной архитектуре Qwen3 и содержит 3,7 млрд параметров. Она поддерживает диалоговый режим, работает с текстом и имеет контекст до 262 144 токенов. Обучение сочетает GRPO, голосование по целевой функции решателя и локализованное по сигналам решателя teacher KL; конфигурация обучения использует девятишаговый формат выводов в стиле Gurobi. Модель предназначена для исследований в области математической оптимизации и исследования операций. Формулировки, коэффициенты, ограничения, код и заявленные решения могут содержать ошибки, быть несовместимыми или небезопасными; результаты необходимо проверять решателем и независимо анализировать перед практическим применением. Лицензия в предоставленных данных не указана.

ChrisUPM/BioBERT_Re_trained — модель классификации отношений, дообученная на наборе данных GAD с использованием весов BioBERT. Она предназначена для классификации связей в биомедицинских текстах. Модель построена на архитектуре BERT с головой классификации последовательностей и содержит 135,5 млн параметров; принимает текст с контекстом до 512 токенов и сохранена в формате PyTorch. Лицензия в предоставленных данных не указана.

BioMistral-7B-SLERP — модель генерации текста, созданная слиянием SLERP через mergekit моделей BioMistral/BioMistral-7B и mistralai/Mistral-7B-Instruct-v0.1. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на диалог и генерацию ответов в биомедицинской тематике. Поддерживает контекст до 32 768 токенов и доступна в формате safetensors. Модель подходит для исследовательских экспериментов с медицинскими и биологическими вопросами, включая ответы на вопросы и подготовку черновиков текста. В карточке указаны языки английский, французский, испанский, итальянский, польский, нидерландский и немецкий; BioMistral обучалась на текстах PubMed Central, а мультиязычные оценки проводились на автоматически переведённых медицинских наборах. Авторы предупреждают, что модель не проверялась в клинической практике, может содержать смещения и не предназначена для профессиональных медицинских решений или применения в производстве без специального выравнивания и тщательной проверки. Лицензия — Apache-2.0.

CeLLaTe-ner-2class-bioformer16l-reinitllrd-with-gazetteers-lr_2.754e-5 — модель семейства BERT, разработанная путём дообучения bioformers/bioformer-16l на наборе данных OTAR3088/CeLLaTe-ner-2class-iob_final. Она предназначена для классификации токенов в задаче распознавания биомедицинских сущностей. В README приведены результаты оценки: micro F1 0,7859, precision 0,8043 и recall 0,7683. Модель содержит 50,3 млн параметров, принимает текст с контекстом до 1024 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-OncologyDetect-SuperClinical-141M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-OncologyDetect-SuperClinical-141M, поэтому описание составлено по ней. OpenMed разработала OpenMed-NER-OncologyDetect-SuperClinical-141M — специализированную модель распознавания и классификации биомедицинских сущностей в тексте. Это дообученная модель архитектуры DeBERTa v2 примерно на 155 млн параметров; она принимает токенизированный текст и выдаёт предсказания сущностей с BIO-разметкой. В README указано обучение на корпусе BioNLP 2013 CG, ориентированном на генетику рака, и перечислены типы сущностей, включая гены и продукты генов, опухоли, ткани, органы, клетки и химические вещества. Модель предназначена для извлечения онкологических и генетических сущностей из научной литературы и клинических текстов, а также для текстового анализа в исследованиях и здравоохранении. Контекст ограничен 512 токенами. README приводит F1 0,77, точность 0,75 и полноту 0,79 на заявленной оценке; качество на других корпусах и реальных клинических документах может отличаться. Расширенные сценарии вроде выявления лекарственных взаимодействий не подтверждены отдельной оценкой модели. Лицензия — Apache-2.0.

bunnycore/Llama-3.2-3B-Sci-Think — объединённая генеративная языковая модель на архитектуре Llama, созданная с помощью mergekit методом passthrough на основе bunnycore/Llama-3.2-3B-science-lora_model и huihui-ai/Llama-3.2-3B-Instruct-abliterated. Модель содержит 3,2 млрд параметров, использует формат safetensors и рассчитана на контекст до 131072 токенов. Модель предназначена для генерации текста и диалоговых ответов с научной тематикой. Её можно использовать для черновых объяснений научных вопросов и ведения чата на эту тему. Метаданные также указывают интерфейс вызова инструментов, но не описывают его поведение подробнее. Карточка не сообщает результаты оценок качества или подробные ограничения научных ответов. Основа включает модель с ослабленными отказами; надёжность и уместность ответов следует оценивать для конкретного применения. Лицензия в предоставленных данных не указана.

ManufactuBERT — англоязычная модель RoBERTa-base, разработанная Робином Арменго и Ромариком Безансоном из Université Paris-Saclay и CEA List. Модель непрерывно предварительно обучена на текстах о производстве и промышленной инженерии, чтобы лучше представлять специализированную отраслевую лексику и помогать адаптировать языковые системы к промышленным задачам. Базовое обучение использовало корпус Manu-FineWeb — отобранную часть FineWeb. Итоговая версия обучалась на очищенном наборе примерно из 2 млрд токенов после дедупликации; архитектура RoBERTa-base содержит около 151,8 млн параметров и принимает последовательности длиной до 514 токенов. Основной режим применения — восстановление скрытых слов; модель также показала результаты на распознавании сущностей, классификации предложений и извлечении отношений в промышленных и материаловедческих наборах данных. Лицензия — MIT.

Mdist_8B_SelfRationalize_Chem_from_Qwen3_8B — плотная авторегрессионная языковая модель семейства Qwen3, дообученная yileitu на датасете M7_Qwen3_8B_oracle_merged_shuffled_sampled51957. Она предназначена для генерации текста в диалоговом формате; название модели указывает на самообоснование в химии, однако README не описывает эту специализацию подробнее. Модель содержит 7,6 млрд параметров, принимает текст и поддерживает контекст длиной до 40 960 токенов. Она опубликована в формате safetensors и рассчитана на использование с Transformers. README не приводит оценок качества, дополнительных сведений о данных или конкретных ограничениях. Лицензия указана как other, поэтому условия использования следует уточнять в карточке модели.

NeuralMathChat-7B-V0.2 — объединённая модель генерации текста на архитектуре Mistral, созданная с помощью mergekit из Q-bert/MetaMath-Cybertron-Starling и Intel/neural-chat-7b-v3-3. Она предназначена для диалогов и ответов на математические вопросы на английском языке. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель принимает текст и генерирует текст; среди подходящих сценариев — математические вопросы и ответы, а также обычный диалог. Файлы представлены в формате safetensors. Лицензия — Apache-2.0.

OpenLRM Mix Small 1.1 — версия 1.1 открытой реализации проекта OpenLRM по статье LRM. Это модель для восстановления трёхмерного представления объекта по изображению. Вариант small использует 12 слоёв, размерность признаков 512, 8 голов внимания, триплоскость размерности 32 и входное разрешение 224 пикселя; в качестве визуального энкодера применяется DINOv2 ViT-S/14 с register-токенами. Размер указанной в карточке архитектуры small — 446 млн параметров. Модель обучалась на Objaverse. Реализация отличается от оригинальной статьи отказом от отложенного обратного распространения ошибки, случайными цветами фона при обучении и четырёхслойным декодером триплоскостей. Карточка описывает её как неофициальную реализацию, поэтому результаты могут отличаться от оригинального исследования. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

OpenMed-NER-PharmaDetect-ModernClinical-149M — модель OpenMed для распознавания химических сущностей в биомедицинских текстах. Это дообученная ModernBERT-модель с 149 млн параметров для классификации токенов; она принимает токенизированный текст и выдаёт метки BIO для химических сущностей. Контекст модели — до 8192 токенов. Модель обучена на BC5CDR_CHEM и предназначена для извлечения названий лекарств и химических соединений из научных публикаций, клинических записей и медицинских документов. Такие результаты можно использовать для мониторинга нежелательных реакций, поиска сведений о препаратах и построения биомедицинских баз знаний. В карточке заявлены F1, точность и полнота 0,95, однако описание методики оценки ограничено. Карточка указывает английский язык и совместимость с Transformers. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель распознаёт химические сущности, поэтому её предсказания не следует трактовать как клинические рекомендации или готовое выявление лекарственных взаимодействий.

BillyWang1/qwen2.5-7b-base-retool-slime-sft — модель Qwen2.5-7B, дообученная BillyWang1 методом SFT на наборе JoeYing/ReTool-SFT. Это начальный этап конвейера retool-slime: модель обучена многошаговому формату вызова Python-инструмента, чтению вывода песочницы и выдаче итогового ответа в \\boxed{}. Основа — плотная авторегрессионная архитектура Qwen2 с 7,1 млрд параметров и контекстом до 131 072 токенов; формат весов — safetensors, для работы используется Transformers. Модель предназначена для запуска этапов GRPO/GFlowRL конвейера retool-slime и для математических задач с подключённым Python-инструментом. Она принимает текстовые сообщения, формирует код и ответы в заданном формате; полноценное выполнение Python-кода требует внешней среды-песочницы. Это не instruct-вариант Qwen2.5-7B, а базовая модель после SFT, поэтому её поведение зависит от совместимого шаблона ReTool. Лицензия — Apache-2.0.

Это порт модели SAM 2.1 Hiera Base Plus, подготовленный zeromodels в формате Keras 3. Модель использует backbone Hiera с FPN neck и выполняет сегментацию изображений по визуальным подсказкам: точкам и, при соответствующей настройке, рамкам. Реализация работает с TensorFlow, PyTorch и JAX. Модель предназначена для выделения объектов на одном изображении по заданным подсказкам. В этом порте доступен только путь обработки изображений: память видео и перенос масок между кадрами не поддерживаются. Лицензия — Apache 2.0.

Карточка модели jesusoctavioas/sam3-original на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

Карточка модели pankjkkkkkk/sam3_pt на Hugging Face совпадает с карточкой facebook/sam3, поэтому описание составлено по ней. SAM 3 — модель Meta для сегментации объектов по запросам на изображениях и видео. Она объединяет обнаружение, сегментацию и отслеживание: принимает короткую текстовую фразу или визуальные подсказки — точки, рамки, маски и примеры объектов — и возвращает маски всех подходящих экземпляров. Для видео модель также отслеживает найденные объекты между кадрами; режим Tracker позволяет выделять и сопровождать конкретный экземпляр по визуальной подсказке. Модель поддерживает сегментацию понятий с открытым словарём и заявлена для работы с гораздо более широким набором текстовых запросов, чем предшественник SAM 2. В README указано, что на бенчмарке SA-CO с 270 тысячами понятий она достигает 75–80% человеческого результата. Репозиторий содержит веса safetensors и использует Transformers. Лицензия обозначена как other; конкретные условия следует проверять в карточке и связанных материалах проекта.

AceMath-RL-Nemotron-7B — языковая модель NVIDIA для пошагового решения математических задач. Это плотная причинная модель на архитектуре Qwen2 с 7,1 млрд параметров, обученная с помощью обучения с подкреплением на основе DeepSeek-R1-Distilled-Qwen-7B. Она принимает текстовые запросы и генерирует текстовые рассуждения и ответы; карточка модели рекомендует формулировать инструкции прямо в запросе и просить поместить итог в \boxed{}. Модель предназначена для математических задач, включая олимпиадную математику, и также показывает результаты на задачах программирования. В README приведены показатели на AIME 2024, AIME 2025, GSM8K, MATH500, GPQA и LiveCodeBench. Контекст — до 131 072 токенов; заявленный язык карточки — английский. Лицензия указана как other, поэтому условия использования следует уточнить в файлах репозитория.

AstroSage-70B — авторегрессионная языковая модель семейства Llama, разработанная AstroMLab для астрономии, астрофизики, космологии, космических наук и астрономического приборостроения. Модель содержит 69,5 млрд параметров и дообучена на базе Meta-Llama-3.1-70B: прошла продолженное обучение на астрономической литературе, настройку на инструкциях и слияние настроенных моделей. Она использует архитектуру и токенизатор Llama 3.1 и поддерживает контекст до 131 072 токенов. Модель предназначена для диалоговых ответов на научные вопросы, объяснения астрономических понятий, обзоров и суммирования научных статей, а также для помощи в генерации исследовательских идей и программировании анализа астрономических данных. Основной язык карточки — английский; базовая Llama поддерживает многоязычную генерацию, но акцент этой модели — научные материалы по астрономии. Модель может ошибаться и уверенно выдавать неверные научные сведения; факты следует проверять. Её знания о публикациях по астрономии охватывают материалы до января 2024 года, поэтому более поздние открытия и исследования могут отсутствовать. AstroSage-70B распространяется по лицензии Llama 3.1 Community License.