IV.6Научные исследования, математика и новые материалы

AccPhysBERT — англоязычная модель эмбеддингов для поиска и анализа публикаций по физике ускорителей, разработанная Торстеном Хеллертом, Жоао Монтенегро, Марко Вентурини и Андреа Полластро. Модель создана на основе PhysBERT cased и дообучена методом supervised contrastive learning SimCSE. Архитектура — BERT, около 136,7 млн параметров; модель формирует плотные векторные представления текста и поддерживает контекст до 512 токенов. Модель предназначена для семантического поиска по заголовкам, аннотациям, заявкам и полным текстам, классификации цитирований, сопоставления рецензентов и кластеризации научной литературы. Она обучалась на публикациях INSPIRE HEP по физике ускорителей, парах цитирований и синтетических парах запрос–источник. Для специализированных тестов по физике ускорителей авторы сообщают о результатах выше BERT, SciBERT и универсальных моделей эмбеддингов. Модель опубликована под лицензией CC BY 4.0. Она рассчитана на англоязычные научные тексты по физике ускорителей; результаты вне этой предметной области и для других языков могут быть хуже. Ограничение контекста составляет 512 токенов.

AceMath-72B-RM — разработанная NVIDIA модель вознаграждения для оценки решений математических задач. Она принимает текст с условием и решением и возвращает скалярную оценку, пригодную для сравнения вариантов ответа и выбора наиболее предпочтительного решения. Модель основана на AceMath-72B-Instruct, улучшенной на базе Qwen, и обучена на данных AceMath-RM-Training-Data с использованием функции потерь Bradley–Terry. Архитектура — плотная Qwen2 с классификационной головой; размер — 71,5 млрд параметров, контекст — 4096 токенов. Модель предназначена для ранжирования и отбора математических решений, в том числе в схемах генерации нескольких кандидатов. В карточке приведены результаты оценки на математических бенчмарках, однако они не гарантируют качество на иных задачах или распределениях данных. Поддерживаемый язык карточки — английский. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое использование.

CODER++ — англоязычная модель семейства BERT для получения векторных представлений биомедицинских терминов и их автоматической кластеризации. Работа описана Сиханом Зенгом, Чжэн Юанем и Шэном Ю в статье «Automatic Biomedical Term Clustering by Learning Fine-grained Term Representations» (2022). Репозиторий содержит модель на 135,5 млн параметров в форматах PyTorch и Safetensors; заявленная длина контекста — 512 токенов. Модель предназначена для извлечения признаков из текста и построения тонких представлений биомедицинских терминов, которые можно использовать для группировки терминов по смыслу. Карточка не описывает дополнительные сценарии или способ обучения модели. Лицензия — Apache-2.0.

AdaptLLM/medicine-LLM — специализированная языковая модель для биомедицины, разработанная авторами исследования AdaptLLM и основанная на LLaMA-1-7B. Модель содержит 6,6 млрд параметров и создана методом продолженного предобучения на предметных корпусах, преобразованных в тексты для чтения и понимания. Такой подход предназначен для обогащения модели биомедицинскими знаниями и сохранения способности отвечать на запросы по подсказке. Модель подходит для генерации текста и ответов на вопросы по биомедицинской тематике, а также для исследовательских оценок и задач извлечения знаний. Карточка рекомендует использовать чат-версию для более качественного диалога. Модель принимает и генерирует текст; в метаданных указан английский язык. README сообщает о конкурентных результатах относительно значительно более крупных доменных моделей, но конкретные показатели для этого репозитория не приведены. Модель распространяется в форматах PyTorch и safetensors; лицензия в предоставленных данных не указана.

OpenMed/OpenMed-NER-OrganismDetect-ModernClinical-395M — дообученная модель OpenMed для распознавания упоминаний видов организмов в тексте. Она использует архитектуру ModernBERT для классификации токенов и выдаёт BIO-разметку сущностей типов B-SPECIES и I-SPECIES. Модель содержит 394,7 млн параметров, принимает текст и поддерживает контекст до 8192 токенов. Модель предназначена для извлечения названий видов из биомедицинских текстов, научных публикаций и клинических документов, включая научные и распространённые названия организмов. В README приведены результаты на SPECIES800: F1 0,79, точность 0,79 и полнота 0,78. Она может использоваться для поиска упоминаний организмов в литературе и формирования таксономических или биомедицинских наборов данных. Карточка указывает базовую архитектуру BioClinical-ModernBERT-large, но метаданные не содержат идентификатора репозитория базовой модели. Модель распространяется по лицензии Apache-2.0. Показатели README относятся к SPECIES800; качество на иных корпусах и языках может отличаться.

OpenMed-NER-OrganismDetect-MultiMed-335M — модель OpenMed для распознавания упоминаний видов организмов в тексте. Это дообученный BERT-классификатор токенов с 433,9 млн параметров и контекстом до 512 токенов. Модель выделяет названия видов, включая научные и общеупотребительные, и присваивает токенам метки BIO: B-SPECIES и I-SPECIES. Она обучена на корпусе SPECIES800, содержащем аннотации упоминаний организмов в научных аннотациях. Модель предназначена для извлечения видов из биомедицинской литературы и других текстов, где требуется идентификация организмов и таксономическая обработка. В README приведены показатели на SPECIES800: F1 0,84, точность 0,84, полнота 0,85 и accuracy 0,97. Метаданные указывают английский язык. Лицензия — Apache-2.0. README также описывает более широкие сценарии вроде клинического анализа и мониторинга нежелательных явлений, однако заявленная задача модели ограничена распознаванием сущностей видов; показатели для этих сценариев отдельно не приведены.

OpenMed разработала OpenMed-NER-PharmaDetect-PubMed-109M — модель на базе BiomedNLP-BiomedBERT для распознавания химических сущностей в биомедицинских текстах. Это дообученный BERT-классификатор токенов размером 136,7 млн параметров с контекстом до 512 токенов; он размечает названия химических соединений, лекарств и терапевтических веществ тегами BIO. Модель предназначена для извлечения химических сущностей из аннотаций PubMed, научных публикаций и медицинских записей. Её можно применять для поиска лекарств в текстах, анализа биомедицинской литературы и подготовки данных для фармаконадзора и исследований разработки лекарств. В README приведены показатели на BC5CDR-Chem: F1 0,96, точность 0,94 и полнота 0,97. Модель принимает токенизированный текст и выдаёт метки сущностей для токенов. Она обучена на англоязычном наборе BC5CDR-Chem, поэтому её назначение ограничено распознаванием химических сущностей в биомедицинском тексте; качество на иных доменах и языках не подтверждено. Лицензия — Apache-2.0.

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.

PixVL-baseline-bestcap-purereseg — экспорт модели PixVL для сегментации изображений. Репозиторий содержит полный экспорт в формате Hugging Face; модель построена на основе Qwen3-VL-4B-SAMTok с архитектурой Qwen3-VL для условной генерации. Модель предназначена для сегментации изображений. Она выпущена для исследовательского использования и наследует лицензию и ограничения применения базовой модели; метаданные указывают лицензию MIT.

Qwen2.5-Math-RM-72B — плотная reward-модель семейства Qwen2, разработанная командой Qwen для оценки качества математических рассуждений и промежуточных шагов. Она дообучена на базе Qwen/Qwen2.5-Math-72B-Instruct, содержит 71,5 млрд параметров и принимает текстовые данные; модель рассчитана на английский и китайский языки, поддерживает режимы Chain-of-Thought и рассуждения с использованием инструментов. Длина контекста составляет 4096 токенов. Модель предназначена прежде всего для обучения и отбора ответов: её оценки применяют при rejection sampling, в обучении с подкреплением и для выбора лучшего варианта из нескольких сгенерированных решений. В сценарии Best-of-N reward-модель помогает ранжировать ответы и выбирать наиболее качественный, в том числе для математических задач. Для запуска README рекомендует Transformers версии не ниже 4.40.0. Лицензия указана как other, поэтому конкретные условия использования следует проверять в карточке модели. Модель оценивает ответы и выдаёт сигнал вознаграждения; сама по себе она не заменяет генеративную модель, создающую решения.

SeongryongJung/Qwen3-8B-Physics-SRPO-TR — дообученная версия языковой модели Qwen3-8B, обученная методом SRPO-TR на задачах по физике с размером обучающего пакета 32. Репозиторий содержит итоговый чекпойнт global_step_100, выбранный по валидационному показателю mean@16; для него указано значение 69,84%. Модель основана на плотной архитектуре Qwen3ForCausalLM, содержит 7,6 млрд параметров и рассчитана на контекст до 40 960 токенов. Модель предназначена для генерации текста и решения задач по физике, в частности для применения в сценариях, где требуется проверить несколько вариантов ответа и оценить их среднее качество. Её можно загружать через Transformers как AutoModelForCausalLM. Базовая Qwen3-8B — многоязычная диалоговая модель, однако README не уточняет, какие языки и виды физических задач проверялись в этом обучении. Модель распространяется по лицензии Apache-2.0. Результат 69,84% относится к указанной в карточке валидационной метрике mean@16 и сам по себе не гарантирует такое же качество на других наборах задач; подробности датасета и протокола оценки в README не приведены.

Sakura-SOLRCA-Math-Instruct-DPO-v1 — разговорная языковая модель Kyujin Han (kyujinpy), основанная на архитектуре Llama с плотной авторегрессионной моделью объёмом 10,6 млрд параметров. Она дообучена методом DPO на наборах Intel/orca_dpo_pairs и argilla/distilabel-math-preference-dpo; карточка также упоминает объединённую версию kyujinpy/orca_math_dpo. Модель предназначена для генерации ответов в диалоге, в том числе на математические вопросы и задачи на рассуждение. В README приведены результаты тестов, включая GSM8K, ARC и MMLU. Модель принимает текст и генерирует текст; заявленная длина контекста — 4096 токенов, основной язык карточки — английский. Модель распространяется в формате safetensors по лицензии CC BY-NC-SA 4.0, которая требует указания авторства и ограничивает коммерческое использование. Результаты бенчмарков не гарантируют точности ответов в реальных задачах; README не описывает специальные меры для проверки математических ответов.

Seg-Zero-7B — модель сегментации изображений, основанная на работе Seg-Zero: Reasoning-Chain Guided Segmentation via Cognitive Reinforcement. Она объединяет модель рассуждений, которая интерпретирует запрос пользователя и формирует позиционные подсказки, с моделью сегментации, создающей пиксельные маски. Обучение с подкреплением методом GRPO проводилось без явных данных с цепочками рассуждений; авторы заявляют о переносе на новые сценарии и формировании рассуждений во время вывода. Модель предназначена для сегментации объектов на изображении по текстовому запросу. В метаданных указаны архитектура Qwen2.5-VL, 7,1 млрд параметров, контекст до 128 000 токенов и библиотека Transformers. Репозиторий содержит веса в формате safetensors. Карточка не приводит подробных сведений о лицензии: указано значение «other», поэтому условия использования следует сверить отдельно.

SenseNova-Vision-7B-MoT — мультимодальная модель компьютерного зрения от разработчиков SenseNova-Vision. Она представляет задачи восприятия как генерацию текста, изображений или их сочетания по текстовым инструкциям и визуальному вводу. Единый интерфейс охватывает структурированное понимание сцен, сегментацию, плотную геометрию и геометрию нескольких видов; модель работает без отдельных специализированных голов для каждой задачи. Модель предназначена для распознавания текста на изображениях, локализации объектов и областей по запросу, определения ключевых точек и параметров камеры, предсказания глубины и нормалей, построения карт точек и масок сегментации. Результаты могут представляться структурированным текстом, изображениями-картами или сочетанием текста и изображений. Для работы рекомендуется официальный код инференса SenseNova-Vision. Веса опубликованы в формате safetensors. Модель ориентирована на компьютерное зрение и поддерживает англоязычные инструкции. Результаты на плотной геометрии и позах камеры нужно проверять, а текстовые и графические выходы требуют соответствующего задаче разбора. Качество чувствительно к формулировке запроса, схеме вывода и визуальным подсказкам; на узкоспециализированных задачах специализированные модели могут быть точнее. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

ttrl-opt — чекпойнт Qwen3-4B-Instruct-2507, дообученный для задач исследования операций. Модель разработана для построения структурированных рассуждений, формулировок задач линейного программирования и ориентированного на решатели кода Python по описаниям задач на естественном языке. Это плотная авторегрессионная языковая модель семейства Qwen3 с 3,7 млрд параметров, представленная в формате safetensors и рассчитанная на контекст до 262 144 токенов. Чекпойнт получен на шаге обучения 125 с применением GRPO и голосования большинства в стиле TTRL; при обучении использовались девятишаговые решения для оптимизации с ориентацией на Gurobi и сигналы вознаграждения от решателя. Модель предназначена для исследований рассуждений в математической оптимизации и исследовании операций. В карточке нет результатов отдельной оценки качества; формулировки, коэффициенты, ограничения, код решателя и заявленные решения могут быть ошибочными или невыполнимыми, поэтому их следует проверять решателем и независимо. Лицензия в предоставленных данных не указана.

Xing4.0-29B-A4B-OR-SFT — языковая модель, разработанная как полнопараметрическая supervised fine-tune базовой Xing4.0-29B-A4B от China Telecom AI Technology Co., Ltd. Она предназначена для задач исследования операций: по описанию задачи на естественном языке выделяет переменные, целевую функцию и ограничения, записывает математическую постановку и генерирует исполняемый код на Python для Gurobi или Pyomo. Модель основана на архитектуре Xing4.0 и имеет 6,5 млрд параметров по метаданным; базовая модель использует Mixture-of-Experts с 29 млрд общих и примерно 4 млрд активных параметров на токен. Заявлены контекст до 262 144 токенов, поддержка английского и китайского языков и формат весов safetensors. Для загрузки требуется Transformers с trust_remote_code=True. Модель подходит для подготовки черновиков математических моделей и кода оптимизационных решателей. Формулировки могут содержать пропущенные ограничения или неверно заданные переменные и целевые функции, а сгенерированный код может не запускаться или обращаться к файлам. Результаты следует проверять по исходной задаче; для Gurobi нужна лицензированная установка, а для Pyomo — настроенный решатель. Лицензия — Apache-2.0.

XtraGPT-14B — дообученная языковая модель семейства XtraGPT от Xtra-Computing для совместной с авторами редакции академических статей. Она основана на microsoft/phi-4, имеет 14,1 млрд параметров и контекст до 16 384 токенов; в карточке указаны архитектура Phi3ForCausalLM и библиотека Transformers. Модель обучена на 140 000 парах инструкций и редакторских правок, созданных на основе статей конференции ICLR, и следует критериям академического письма для шести разделов статьи. Модель предназначена для контекстно-согласованной доработки текста по заданным автором критериям и для итеративного рабочего процесса, в котором автор сохраняет контроль над содержанием. Метаданные перечисляют английский, китайский, французский, испанский, португальский, немецкий, итальянский, русский, японский, корейский, вьетнамский, тайский и арабский языки, но README не уточняет, на каких языках проводилось обучение и насколько хорошо модель редактирует тексты на каждом из них. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

XtraGPT-7B — языковая модель для совместной с человеком редакции академических статей. Разработчики дообучили Qwen/Qwen2.5-7B-Instruct на 140 тысячах пар инструкций и редакторских правок, созданных на основе статей конференции ICLR. Это плотная авторегрессионная модель с 7,1 млрд параметров и контекстом до 32 768 токенов; она работает через библиотеку Transformers и поддерживает диалоговый формат. Модель учитывает контекст статьи и выполняет правки по критериям академического письма для разных разделов, включая аннотацию и введение. Она предназначена для итеративной работы, в которой автор задаёт критерии и сохраняет контроль над содержанием. В README не уточнены поддерживаемые форматы запросов и ограничения качества. Лицензия указана как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

GLiNER-модель rafmacalaba/gliner_datause_v0 — дообученная версия urchade/gliner_large-v2.1 для извлечения из экономических научных статей упоминаний наборов данных, обследований, переписей и реестров. Она размечает фрагменты текста тремя типами: NAMED_DATA для названий и аббревиатур конкретных источников, DESCRIPTIVE_DATA для описаний неназванных источников и VAGUE_DATA для общих упоминаний данных без идентифицируемого источника. Модель предназначена для поиска источников данных в корпусах исследовательских работ и структурирования таких упоминаний. В README приведены результаты проверки на отложенной выборке: при пороге 0,50 общая точность составила 0,6948, полнота — 0,5957; качество заметно различается между группами и типами меток, а для VAGUE_DATA показатели ниже, чем для именованных источников. Это специализированный экстрактор сущностей, поэтому результаты стоит проверять, особенно для расплывчатых упоминаний. Модель распространяется по лицензии Apache-2.0.

KULLM-R — языковая модель, разработанная Сын Юном Ли, Минхёком Кимом, Донжуном Кимом, Гюхо Шимом и Чанджуном Паком при поддержке NLP&AI Lab Корейского университета. Она дообучена на базе Qwen/Qwen3-8B с помощью обучения с подкреплением и предназначена для сложных задач рассуждения на корейском языке, особенно для решения математических задач. Модель генерирует ход решения и итоговый ответ, стремясь избегать лишних шагов и сохранять ясность объяснения. Модель содержит 7,6 млрд параметров, использует плотную архитектуру Qwen3 и поддерживает контекст до 40 960 токенов. Она принимает текст и генерирует текст; основные языки — корейский и английский, при этом ответы особенно ориентированы на корейский язык. В обучении использовался набор ko-limo из 817 примеров. Модель распространяется по лицензии Apache-2.0.quality and performance beyond the description in the model card are not established.

OpenMed-NER-OrganismDetect-SuperMedical-355M — модель OpenMed для распознавания названий организмов и видов в тексте. Это дообученная модель архитектуры RoBERTa для токенной классификации: она присваивает токенам BIO-метки B-SPECIES и I-SPECIES и извлекает упоминания видов, включая научные и общепринятые названия. Модель предназначена для анализа биомедицинских текстов и научной литературы, а также для поиска упоминаний организмов в корпусах по биоразнообразию и таксономии. В README указаны обучение на SPECIES800 и результаты F1 0,77, precision 0,73, recall 0,83 и accuracy 0,96. Модель принимает токенизированный текст и возвращает метки сущностей; контекст составляет 514 токенов. Заявленные показатели относятся к SPECIES800, поэтому качество на других типах текстов может отличаться. Лицензия — Apache-2.0.

P1-VL-30B-A3B — открытая мультимодальная модель семейства P1-VL, разработанная для решения задач по физике с визуальным анализом. Она построена на Qwen3-VL-30B-A3B-Thinking и дообучена в несколько этапов с подкреплением на отобранных данных физических соревнований. Вариант 30B-A3B предназначен для исследователей, которым нужно разбирать условия и схемы олимпиадных задач; модель также показывает результаты на математических и других STEM-бенчмарках. Модель принимает текст и изображения и генерирует текстовые ответы. В карточке приведены результаты на HiPhO, FrontierScience-Olympiad и математических тестах, включая AIME24 и AIME25. Указанная архитектура — Qwen3-VL-MoE для условной генерации; репозиторий содержит веса safetensors и рассчитан на Transformers. Лицензия Apache-2.0.

PixVL-choosecache250k-dpo — исследовательский экспорт PixVL, опубликованный HudeKing. Это полная модель для Transformers в формате Safetensors; она основана на Qwen3-VL-4B-SAMTok и использует архитектуру Qwen3-VL для генерации по условию. Модель предназначена для сегментации изображений. В README указано, что веса выпущены для исследовательского использования и наследуют лицензию и ограничения исходной модели. В метаданных указана лицензия MIT. Карточка не описывает языки, размер контекста или конкретные ограничения качества.

PixVL-damgar-model-c-baseline-sft — опубликованный экспорт модели PixVL, подготовленный из обучающего экспорта damgar_chooseone_model_c_baseline_sft_8g_20260727. Модель разработана на основе Qwen3-VL-4B-SAMTok и предназначена для сегментации изображений; архитектура — Qwen3-VL для условной генерации, веса доступны в формате safetensors. Модель принимает изображения и текстовые инструкции и формирует результат сегментации. README указывает на исследовательское использование и наследование лицензии и ограничений исходной модели; метаданные репозитория указывают лицензию MIT. Языки и длина контекста в предоставленных сведениях не описаны.

SPARK-VL-7B — мультимодальная модель InternLM, созданная дообучением Qwen2.5-VL-7B-Instruct в рамках фреймворка SPARK. Она предназначена для видео- и визуальных задач с рассуждением, в частности для оценки и решения задач из мультимодальных математических наборов. Модель объединяет политику и оценивание в одном чекпойнте и обучалась совместно с помощью reinforcement fine-tuning; заявленные методы используют повторно результаты генерации и не требуют внешней модели вознаграждения или данных человеческих предпочтений. Модель содержит 7,1 млрд параметров, построена на плотной архитектуре Qwen2.5-VL и поддерживает контекст до 128 000 токенов. Для запуска доступны веса safetensors и Transformers; в README также рекомендован vLLM для ускорения инференса. Базовая модель рассчитана на анализ изображений и видео, однако основная задача этого чекпойнта в метаданных обозначена как video-text-to-text. Лицензия — MIT. README не приводит подробных количественных результатов и ограничений по качеству, поэтому её пригодность для конкретных сценариев следует оценивать отдельно.

fblgit выпустил UNA-POLAR-10.7B-InstructMath-v2 — разговорную языковую модель для генерации текста и математических ответов. Это плотная причинно-авторегрессионная модель семейства Llama объёмом 10,6 млрд параметров, созданная методом DPO на основе UNA-SOLAR-10.7B-Instruct-1.0 с использованием материалов датасета MathPile; обучение затрагивало механизмы внимания и MLP. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст длиной до 4096 токенов. Модель подходит для решения математических задач в диалоге и ответов на вопросы по учебным и справочным материалам. В README приведены результаты Open LLM Leaderboard: среднее значение 74,07, включая 70,73 на AI2 Reasoning Challenge и 88,20 на HellaSwag. Результаты не гарантируют точность на конкретных задачах; карточка не описывает отдельную оценку математических навыков или ограничения применения. Весы доступны в формате safetensors по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных версий.

Xwin-Math-70B-V1.1 — языковая модель для решения математических задач, разработанная командой Xwin-LM и дообученная на основе LLaMA 2. Это плотная авторегрессионная модель семейства LLaMA с 68,7 млрд параметров, принимающая текст и генерирующая текстовые решения; длина контекста составляет 4096 токенов. Модель предназначена для пошагового решения школьных и более сложных математических задач, включая арифметику, алгебру и задачи в формате GSM8K и MATH. В README для версии 70B V1.1 указаны результаты pass@1 90,6% на GSM8K и 51,9% на MATH; фактические результаты могут отличаться в зависимости от условий оценки. Модель работает с формулировками на естественном языке, однако явный перечень поддерживаемых языков не приведён. Это дообученная модель, а не универсальный мультимодальный ассистент: она ориентирована на математику и может ошибаться в вычислениях или рассуждениях. Репозиторий содержит веса PyTorch; лицензия — Llama 2 License, условия которой следует соблюдать при использовании и распространении.

AceMath-7B-RM — разработанная NVIDIA модель вознаграждения для оценки решений математических задач. Она принимает текст с задачей и предложенным решением, а последовательностный классификатор на базе Qwen2 выдаёт скалярную оценку. Модель содержит 7,1 млрд параметров и имеет контекст до 4096 токенов. Модель предназначена для ранжирования нескольких вариантов решения и выбора наиболее удачного, а также для оценки качества математических ответов при обучении или проверке систем рассуждения. Она обучена на данных AceMath-RM с функцией потерь Bradley–Terry и построена на базе AceMath-7B-Instruct. В карточке указана лицензия CC BY-NC 4.0, ограничивающая использование некоммерческими условиями.

ARKA Advanced SLM — Mixed SFT v1 — это дообученная Абхаем Кумаром Рудрапaulом языковая модель для генерации ответов и диалогового помощника по академическим знаниям. В основе лежит Abhayn01/arka-advanced-slm-scitech-stream-500m-v1: GPT-2, декодерная причинная архитектура примерно на 124,4 млн параметров. Модель дообучена на 160 863 примерах с проверочной выборкой из 4 000 примеров; контекст составляет 1024 токена. Смесь обучения включает вопросы и ответы по естественным наукам и инженерии, SQuAD 2.0, OpenBookQA, ARC, SciQ и MMLU, а также сведения об ARKA и разработчике. Модель подходит для диалоговых ответов и вопросов по научным и учебным темам на английском языке. Карточка не указывает лицензию, поэтому условия использования следует проверять в репозитории и у источников обучающих данных; перед распространением преобразованных данных разработчик рекомендует проверить лицензии исходных наборов.

Minbyul разработала эту диалоговую модель на основе BioMistral-7B и дообучила её методом SFT на наборе HuggingFaceH4/deita-10k-v0-sft. Это плотная языковая модель архитектуры Mistral с 7,1 млрд параметров, рассчитанная на генерацию ответов на текстовые запросы. Её можно использовать в чат-сценариях, в том числе для вопросов по медицине и биологии. Модель поддерживает контекст до 32 768 токенов и распространяется в формате Safetensors по лицензии Apache-2.0. В README приведено значение loss 1,7672 на оценочном наборе, но подробности оценки, качества и ограничения не раскрыты.