IV.6Научные исследования, математика и новые материалы

Pixio ViT-1B/16 — модель семейства универсальных самообучаемых визуальных моделей Pixio, разработанного FAIR в Meta и HKU. Это Vision Transformer с размером патча 16; модель дообучена методом дистилляции от Pixio ViT-5B/16. Она принимает изображение и возвращает восемь CLS-токенов и токены патчей. Для изображения 256×256 формируется 264 токена; поддерживаются и большие изображения, размеры которых кратны 16. Модель предназначена для извлечения плотных визуальных признаков, пригодных для последующего использования в задачах компьютерного зрения. Предобучение семейства основано на masked autoencoding на 2 млрд изображений из веб-сбора с минимальной ручной фильтрацией. Модель распространяется по лицензии FAIR Noncommercial Research License, которая ограничивает коммерческое использование.

Карточка модели ezelikman/quietstar-8-ahead на Hugging Face совпадает с карточкой Crystalcareai/Quiet-Star-Custom, поэтому описание составлено по ней. Crystalcareai/Quiet-Star-Custom — языковая модель, созданная на основе Mistral-7B и дообученная продолжением предварительного обучения с методом Quiet-STaR. Модель использует архитектуру QuietForCausalLM с плотной сетью и содержит 7,1 млрд параметров; заявленная длина контекста — 32 768 токенов. Модель предназначена для генерации текста с внутренними рассуждениями: перед каждым выходным токеном она генерирует восемь токенов мысли. В карточке указано использование корпуса Open Web Math, поэтому модель может быть полезна для генерации текста и рассуждений на математическом материале. Доступны веса в формате safetensors. Карточка не сообщает результаты оценки качества или дополнительные сведения об ограничениях и лицензии, поэтому нельзя подтвердить уровень математических способностей и условия распространения. Модель рассчитана на текстовый ввод и генерацию текста.

Qwen2.5-72B-GeoGPT — языковая модель для исследований в геонауках, разработанная проектом GeoGPT на базе Qwen2.5-72B. Модель содержит 71,5 млрд параметров, использует плотную архитектуру Qwen2 и предназначена для генерации текста и диалогового взаимодействия. Заявленная длина контекста — 131 072 токена. Модель прошла непрерывное предобучение на геонаучных корпусах, дообучение на инструкциях и выравнивание предпочтений методом DPO. В качестве данных использовались отобранные материалы CommonCrawl и публикации открытого доступа. Она рассчитана прежде всего на английский и китайский языки и может помогать исследователям и специалистам отвечать на вопросы по геонаукам и работать с профильной информацией. Репозиторий содержит веса в формате Safetensors и поддерживает интерфейс вызова инструментов. Модель может выдавать неточные, предвзятые или нежелательные ответы; для прикладного использования рекомендуется проверка результатов и тестирование безопасности. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

RLVR-math — дообученная модель Qwen/Qwen2.5-3B, подготовленная с помощью TRL и предназначенная для генерации текста в диалоговом формате. Она может использоваться для ответов на вопросы и решения математических задач; карточка демонстрирует запуск через Transformers pipeline на GPU. Базовая Qwen2.5-3B содержит 3,1 млрд параметров. В метаданных указан формат safetensors и возможность chat. Подробности о методе обучения, контекстном окне, поддерживаемых языках и условиях лицензии в предоставленных данных отсутствуют.

jetjodh/sam3 — модель семейства SAM 3 для сегментации объектов в изображениях и видео по текстовым и визуальным подсказкам. Карточка описывает её как единую базовую модель, способную находить, сегментировать и отслеживать объекты; для изображений она также поддерживает интерактивную сегментацию отдельного объекта по точкам, рамкам и маскам. Репозиторий использует архитектуру Sam3VideoModel и формат safetensors, а для работы предусмотрена библиотека Transformers. Для текстового запроса модель может выделить все соответствующие экземпляры объекта на изображении или во всех кадрах видео и отслеживать их между кадрами. В сценариях с визуальными подсказками она сегментирует или сопровождает выбранные объекты. Карточка сообщает, что SAM 3 расширяет возможности SAM 2 за счёт сегментации всех экземпляров открытого словарного понятия по короткой текстовой фразе или визуальным примерам. Указана оценка 75–80% от человеческого результата на бенчмарке SA-CO. Модель предназначена для задач компьютерного зрения и выдаёт маски сегментации; конкретный размер модели и длина контекста в предоставленных данных не указаны. Лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить условия лицензирования репозитория.

Карточка модели MIUProject/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 lsw2333/tabpfn_3 на Hugging Face совпадает с карточкой Prior-Labs/tabpfn_3, поэтому описание составлено по ней. TabPFN-3 — трансформерная модель Prior Labs для прогнозирования по табличным данным. Она использует обучение в контексте и выполняет предсказание за один проход без отдельного дообучения на пользовательском наборе данных. Эта карточка описывает специализированный чекпойнт классификатора для бинарной классификации на наборах с 2000 признаками. Архитектура модели многоэтапная, состоит из 24 основных слоёв. Она обучена исключительно на синтетических табличных задачах и предназначена для табличной классификации; в README также упомянуты стандартные чекпойнты для классификации и регрессии. Модель оценивается на открытых бенчмарках TabArena и TALENT, где, согласно карточке, показывает результаты уровня SOTA. Лицензия tabpfn-3-license-v1.0 разрешает исследования, тестирование и внутреннюю оценку, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для применения в производственных сценариях Prior Labs предлагает отдельную коммерческую лицензию.

Universal-PRM-7B — модель оценки промежуточных шагов в решении математических задач, разработанная авторами работы AURORA. Она построена на базе Qwen2.5-Math-7B-Instruct и обучена на примерах с различными распределениями решений, ансамблевым промптингом и обратной проверкой. Модель предназначена для выявления ошибок в цепочках рассуждений и оценки их корректности, в том числе при работе с длинными и короткими решениями. Модель использует плотную архитектуру Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов. Метаданные указывают библиотеку Transformers, формат PyTorch и задачу text-generation; карточка сообщает результаты на тестах ProcessBench и UniversalBench. Лицензия — Apache 2.0. В карточке не описан точный формат выдачи оценок, а подтверждённая область применения ограничена оценкой математических рассуждений.

BioMistral-7B-GGUF — это набор файлов модели в формате GGUF, подготовленный MaziyarPanahi на основе BioMistral/BioMistral-7B, разработанной командой BioMistral. Модель предназначена для генерации текста и диалоговых сценариев в биомедицинском и биологическом контексте, включая работу с научными и медицинскими текстами. В качестве исходных данных упоминается набор PubMed, однако подробности обучения и результаты оценки в карточке не приведены. Модель содержит около 7 млрд параметров и распространяется в вариантах квантования от 2 до 8 бит, включая форматы Q2_K, Q3_K, Q4_K, Q5_K и Q6_K. GGUF ориентирован на локальный запуск через llama.cpp и совместимые приложения и библиотеки, в том числе text-generation-webui, LM Studio, GPT4All и llama-cpp-python, с возможностью использования GPU-ускорения. В метаданных указана поддержка английского, французского, немецкого, нидерландского, испанского, португальского, польского, румынского и итальянского языков; модальность — текстовая. Размер контекста и точная архитектура в README не указаны. К преимуществам относятся различные уровни квантования, позволяющие выбирать между качеством и требованиями к памяти, а также удобство локального развёртывания. Ограничения включают возможное снижение качества при сильном квантовании и отсутствие в карточке сведений о точности, надёжности медицинских ответов и специализированных ограничениях применения. Для модели указана лицензия Apache-2.0.

Карточка модели EdgeAIMed/EdgeAIMed-NER-PharmaDetect-SuperMedical-125M на Hugging Face совпадает с карточкой OpenMed/OpenMed-NER-PharmaDetect-SuperMedical-125M, поэтому описание составлено по ней. OpenMed разработала эту дообученную модель на базе RoBERTa для распознавания химических сущностей в биомедицинском тексте. Она обучена на наборе BC5CDR-Chem и присваивает токенам метки B-CHEM и I-CHEM, чтобы выделять названия химических соединений, лекарств и терапевтических веществ. Модель рассчитана на обработку научных публикаций, клинических записей и других медицинских документов, в том числе для извлечения препаратов и поиска упоминаний химических веществ при фармаконадзоре и анализе литературы. Архитектура — RoBERTa для классификации токенов; в метаданных указано 151,8 млн параметров и контекст до 514 токенов. README приводит F1 0,96 на BC5CDR-Chem, но не описывает независимую проверку этих результатов. Модель предназначена для англоязычных биомедицинских текстов и не выполняет сама по себе анализ взаимодействий лекарств или диагностику. Лицензия — Apache-2.0.

Карточка модели NostraEmpire/mirror-sam2.1-hiera-large на Hugging Face совпадает с карточкой facebook/sam2.1-hiera-large, поэтому описание составлено по ней. SAM 2.1 Hiera Large — большая модель сегментации изображений и видео, разработанная FAIR. Она выделяет объекты по точкам, рамкам и маскам-подсказкам, а также может автоматически генерировать маски для объектов на изображении. Для видео модель сегментирует выбранные объекты и отслеживает их между кадрами, включая обработку потокового видео. Модель относится к семейству SAM 2 и использует архитектуру Hiera; в репозитории доступны веса Safetensors для Transformers. Она предназначена для визуальной сегментации, а не для понимания или генерации текста. Лицензия — Apache-2.0. SAM 2 поддерживает сегментацию нескольких объектов, уточнение результата дополнительными точками или предыдущими масками и пакетную обработку изображений и объектов. README описывает обработку видео и потоковый режим, но фактическая производительность и качество могут зависеть от входных данных и сценария применения.

OpenMed-NER-OrganismDetect-ModernMed-395M — модель OpenMed для распознавания упоминаний организмов и видов в тексте. Это дообученный ModernBERT для классификации токенов с метками B-SPECIES и I-SPECIES; размер составляет 394,7 млн параметров, а контекст — до 8192 токенов. Модель обучена на корпусе SPECIES800 и принимает токенизированный текст, выдавая BIO-разметку сущностей. Модель предназначена для извлечения названий видов из биомедицинской литературы и других текстов, а также для анализа упоминаний организмов в исследованиях биоразнообразия и таксономии. В README указаны F1 0,76, точность 0,78 и полнота 0,74. Эти показатели относятся к SPECIES800; качество на иных текстах может отличаться. Лицензия — Apache-2.0.

prithivMLmods/Phi-4-Math-IO — дообученная на математических задачах и рассуждениях модель на базе Microsoft Phi-4. Она предназначена для генерации пошаговых решений, логических объяснений, учебных ответов и ответов на технические вопросы. В карточке описаны SFT и итеративная DPO-настройка для улучшения полезности, безвредности и ответственного поведения; заявлены синтетические данные, отфильтрованные общедоступные материалы и академические книги и наборы вопросов и ответов. Модель использует плотную архитектуру с причинно-языковой генерацией, содержит 14,1 млрд параметров и рассчитана на контекст до 16 384 токенов. Основной язык карточки — английский; модель принимает текст и генерирует текст. Заявленная лицензия — MIT. Карточка предупреждает о возможных ошибках и предвзятости, ограниченных знаниях о текущих событиях и необходимости проверки ответов, особенно в чувствительных областях.

ttlanhhh/biogpt-ner — дообученная модель Microsoft BioGPT для классификации токенов, предназначенная для разметки сущностей в биомедицинском тексте. Она основана на архитектуре GPT-2 и принимает текст, выдавая метки для токенов. Контекст модели составляет 1024 токена. В README приведены результаты оценки: F1 0,5070, точность 0,4664, полнота 0,5553 и accuracy 0,9572; набор меток и данные обучения не описаны. Модель распространяется по лицензии MIT.

ORLM-LLaMA-3-8B — языковая модель, разработанная Cardinal Operations и созданная на основе Meta Llama 3 8B с полной дообучкой на данных OR-Instruct. Эта GGUF-версия была квантизирована Richard Erkhov и предназначена для генерации математических моделей задач исследования операций и соответствующего Python-кода с использованием библиотеки coptpy. Модель рассчитана на обработку вопросов об оптимизации, сформулированных на естественном языке, и автоматизацию построения и решения оптимизационных моделей. Модель имеет текстовую модальность и размер 8 млрд параметров в исходной версии. В репозитории представлены варианты GGUF с методами квантизации от Q2_K до Q8_0 и размером примерно от 2,96 до 7,95 ГБ, что позволяет выбирать компромисс между требованиями к памяти и качеством генерации. Заявлено улучшение автоматизации оптимизационного моделирования и высокие результаты на ряде бенчмарков. Сведения о поддерживаемых языках и размере контекстного окна отсутствуют; качество сгенерированных моделей и кода требует проверки пользователем. Лицензия указана как llama3.

CHEMLLM-2b-1_5 — языковая модель для химии и молекулярной науки, разработанная командой AI4Chem на базе архитектуры InternLM2. Это плотная авторегрессионная модель примерно на 1,7 млрд параметров, предназначенная для диалоговых ответов и генерации текста по химическим темам. Репозиторий содержит веса в формате safetensors; модель поддерживает контекст до 32 768 токенов и английский и китайский языки. Модель подходит для поиска объяснений по химии, обсуждения молекулярной науки и подготовки черновиков профессионального перевода. В приведённом README результаты ChemLLM-7B-Chat выше ряда сравниваемых моделей на нескольких заданиях MMLU, однако эти результаты относятся к версии на 7 млрд параметров и не подтверждают качество этой модели на 1,7 млрд параметров. Ответы могут содержать ошибки и требуют проверки. Лицензия — Apache-2.0.

nerel-bio-rubert-base — русскоязычная модель BERT, разработанная на основе DeepPavlov/rubert-base-cased и дообученная для классификации токенов. Она предназначена для разметки текста по токенам, в частности для задач распознавания именованных сущностей в биомедицинских текстах, что следует из названия модели; подробности о наборе меток и данных обучения в карточке не приведены. Модель содержит 205,1 млн параметров, использует архитектуру BertForTokenClassification и принимает текст с контекстом до 512 токенов. В README приведены результаты оценки: F1 0,7878, точность 0,7873, полнота 0,7882 и accuracy 0,8601. Эти значения относятся к указанному набору оценки, состав которого не описан. Модель основана на русскоязычном BERT, поэтому её основное назначение — обработка русскоязычных текстов. Лицензия в предоставленных данных не указана.

Модель afriscience-mt-nllb200distilled600m-eng-amh разработана в рамках проекта AfriScience-MT для машинного перевода научных текстов с английского на амхарский язык. Это модель Seq2Seq на архитектуре M2M100, дообученная на базе facebook/nllb-200-distilled-600M; в репозитории 463,7 млн параметров, формат весов — safetensors. Модель предназначена для перевода научных аннотаций и статей. В тестировании на AfriScience-MT она получила BLEU 18,57, chrF 44,38 и SSA-COMET 64,12. Модель рассчитана на пару английский—амхарский и научно-академические тексты. Карточка указывает ограничение длины входа в 256 токенов, хотя метаданные каталога сообщают native context в 1024 токена; при обработке длинных материалов вход следует разбивать на фрагменты. На разговорных и неформальных текстах качество может быть ниже. Лицензия — Apache-2.0.

Olmo3-M3PO-7B — англоязычная модель для генерации текста и решения математических задач, разработанная BayesRL на основе Olmo-3. Это плотная авторегрессионная модель класса Olmo3ForCausalLM с 6,9 млрд параметров и контекстом до 65 536 токенов. Модель дообучена методом M3PO: при обучении для RLVR применяются выборки возмущений весов из приближённого апостериорного распределения IVON, а M3PO усредняет градиенты по нескольким таким выборкам. Базовая модель для дообучения — BayesRL/Olmo3-IVON-SFT-7B; исходная модель — allenai/Olmo-3-1025-7B. Модель предназначена для генерации ответов и математических рассуждений в диалоговом режиме. В карточке указана оценка на AIME 2024–2026, MATH-500, AMC 2023 и Minerva. Доступны веса в формате Safetensors для Transformers. Лицензия — Apache 2.0.

Карточка модели zxhezexin/openlrm-mix-base-1.1 на Hugging Face совпадает с карточкой zxhezexin/openlrm-mix-small-1.1, поэтому описание составлено по ней. 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-OncologyDetect-TinyMed-65M — модель OpenMed для распознавания именованных сущностей в текстах по онкологии и генетике рака. Это дообученная модель DistilBERT на 65 млн параметров с классификацией токенов; она выделяет сущности из корпуса BioNLP 2013 CG, включая гены и их продукты, виды рака, клетки, ткани, органы, химические вещества и другие биомедицинские категории. Контекст модели — до 512 токенов, результат представляется BIO-метками для токенов. Модель подходит для извлечения сущностей из научных публикаций и медицинских документов, анализа онкологической литературы и подготовки данных для биомедицинских графов знаний. В README приведены F1 и precision 0,77, recall 0,77 и accuracy 0,90 на используемом наборе оценки; эти показатели не гарантируют такое же качество на иных текстах. Архив весов опубликован в формате safetensors. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-BioMed-335M — модель OpenMed для распознавания упоминаний организмов и видов в биомедицинских текстах. Это дообученный трансформер семейства BERT с архитектурой BertForTokenClassification и примерно 433,9 млн параметров. Модель размечает названия видов тегами B-SPECIES и I-SPECIES; контекстное окно составляет 512 токенов. Модель предназначена для извлечения организмов из научных аннотаций и другой биомедицинской литературы, анализа биоразнообразия и таксономических упоминаний. В README для набора SPECIES800 указаны F1 0,8639, точность 0,8557 и полнота 0,8722. Модель принимает текст и выдаёт BIO-разметку токенов; заявлена поддержка английского языка. Доступна в формате safetensors и совместима с Transformers. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-ElectraMed-335M — модель OpenMed для распознавания названий организмов и видов в биомедицинских текстах. Это дообученный трансформер архитектуры BERT для token classification с 433,9 млн параметров и контекстом до 512 токенов; модель присваивает токенам BIO-метки B-SPECIES и I-SPECIES. Она рассчитана на научные публикации и другие тексты о биологии и медицине, включая упоминания научных и общеупотребительных названий видов. Модель обучена на корпусе SPECIES800, содержащем 800 аннотаций абстрактов, и предназначена для извлечения упоминаний организмов, таксономического анализа и поиска по биомедицинской литературе. В README приведены F1 0,83, precision 0,82, recall 0,84 и accuracy 0,96; эти показатели относятся к заявленной оценке на SPECIES800 и не гарантируют качество на других типах текста. Веса доступны в формате safetensors, библиотека интеграции — Transformers. Лицензия — Apache-2.0.

OpenMed-NER-PharmaDetect-ElectraMed-560M — специализированная модель OpenMed для распознавания названий химических соединений в биомедицинских текстах. Это дообученный трансформер с архитектурой XLM-RoBERTa и 658,7 млн параметров, предназначенный для token classification. Модель принимает токенизированный текст и возвращает BIO-разметку химических сущностей, используя метки B-CHEM и I-CHEM. Контекст ограничен 514 токенами. Модель обучена на BC5CDR_CHEM и рассчитана на извлечение лекарств и химических соединений из медицинских записей, научных публикаций и других биомедицинских документов. Это может служить этапом подготовки данных для мониторинга нежелательных реакций, поиска литературы и построения биомедицинских баз знаний. В README заявлены F1 0,96, точность 0,95 и полнота 0,96 на соответствующем наборе данных. Карточка указывает совместимость с Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Заявленные метрики относятся к BC5CDR_CHEM и сами по себе не подтверждают качество на других типах клинических текстов или вне английского языка.

OpenMed/OpenMed-NER-SpeciesDetect-ModernClinical-149M — дообученная OpenMed модель для распознавания названий видов и организмов в биомедицинских текстах. Она помечает упоминания токенами B-SPECIES и I-SPECIES и предназначена для извлечения таких сущностей из научной литературы и клинических документов. Модель использует плотную архитектуру ModernBERT для классификации токенов, содержит 149 млн параметров и поддерживает контекст до 8192 токенов. В README указано, что она обучена на корпусе LINNAEUS; карточка приводит F1 0,92, точность 0,93 и полноту 0,92. Для использования нужны токенизированный текст и библиотека Transformers. Модель подходит для поиска упоминаний организмов в статьях, поддержки таксономического анализа и построения биомедицинских баз знаний. Она выявляет тип сущности SPECIES, а не извлекает лекарственные препараты или химические соединения, несмотря на более широкие сценарии, перечисленные в README. Лицензия — Apache-2.0.

OpenMed-ZeroShot-NER-Pharma-Tiny-60M — модель распознавания химических сущностей в биомедицинском тексте, опубликованная организацией OpenMed. Она основана на архитектуре GLiNER и дообучена на корпусе BC5CDR-Chem, который содержит аннотации химических соединений, лекарств и терапевтических веществ. Модель принимает текст и возвращает найденные упоминания с метками сущностей; заявленный целевой тип метки — CHE. Модель предназначена для извлечения названий препаратов и других химических соединений из научных публикаций и клинических текстов. Её можно включать в конвейеры фармаконадзора, поиска нежелательных реакций и извлечения связей «химическое вещество — заболевание» с последующим модулем извлечения отношений. Zero-shot-интерфейс GLiNER позволяет задавать типы сущностей при запросе, однако основная специализация этой версии — химические сущности корпуса BC5CDR-Chem. В README приведён F1 0,77 на тестовом наборе BC5CDR-Chem и заявлено улучшение на 30,7% относительно базовой модели. Это результат для указанного набора данных; карточка не подтверждает аналогичное качество на произвольных клинических документах или других типах сущностей. Модель распространяется под лицензией Apache-2.0; для использования требуется библиотека GLiNER с токенизаторами.

zeromodels публикует порт SAM 2.1 Hiera Small на Keras 3 для сегментации объектов по подсказкам на одиночных изображениях. Модель принимает координаты точек и, при соответствующей настройке, рамки; архитектура использует backbone Hiera-S и FPN neck. Реализация работает с бэкендами TensorFlow, PyTorch и JAX. Модель подходит для выделения объектов по пользовательским указаниям, например при разметке изображений. Этот порт поддерживает только обработку изображений: у него нет видеопамяти и переноса масок между кадрами. Лицензия — Apache 2.0.

Модель tomaarsen/span-marker-bert-base-ncbi-disease — модель SpanMarker для распознавания упоминаний заболеваний в тексте. Она обучена на наборе данных NCBI Disease и использует bert-base-cased в качестве кодировщика; предсказывает сущности с меткой DISEASE. Подходит для извлечения названий заболеваний из научных и медицинских текстов на английском языке. На тестовой выборке указаны precision 0,8661, recall 0,8971, F1 0,8813 и accuracy 0,9837. Модель распространяется по лицензии Apache-2.0.

TabPFN-3 — трансформерная модель Prior Labs для прогнозирования по табличным данным. Она использует обучение в контексте и выполняет предсказание за один проход без отдельного дообучения на пользовательском наборе данных. Эта карточка описывает специализированный чекпойнт классификатора для бинарной классификации на наборах с 2000 признаками. Архитектура модели многоэтапная, состоит из 24 основных слоёв. Она обучена исключительно на синтетических табличных задачах и предназначена для табличной классификации; в README также упомянуты стандартные чекпойнты для классификации и регрессии. Модель оценивается на открытых бенчмарках TabArena и TALENT, где, согласно карточке, показывает результаты уровня SOTA. Лицензия tabpfn-3-license-v1.0 разрешает исследования, тестирование и внутреннюю оценку, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для применения в производственных сценариях Prior Labs предлагает отдельную коммерческую лицензию.

Карточка модели Rowling0506/tabpfn_3 на Hugging Face совпадает с карточкой Prior-Labs/tabpfn_3, поэтому описание составлено по ней. TabPFN-3 — трансформерная модель Prior Labs для прогнозирования по табличным данным. Она использует обучение в контексте и выполняет предсказание за один проход без отдельного дообучения на пользовательском наборе данных. Эта карточка описывает специализированный чекпойнт классификатора для бинарной классификации на наборах с 2000 признаками. Архитектура модели многоэтапная, состоит из 24 основных слоёв. Она обучена исключительно на синтетических табличных задачах и предназначена для табличной классификации; в README также упомянуты стандартные чекпойнты для классификации и регрессии. Модель оценивается на открытых бенчмарках TabArena и TALENT, где, согласно карточке, показывает результаты уровня SOTA. Лицензия tabpfn-3-license-v1.0 разрешает исследования, тестирование и внутреннюю оценку, но запрещает коммерческое и производственное использование модели, её производных и результатов. Для применения в производственных сценариях Prior Labs предлагает отдельную коммерческую лицензию.