IV.6Научные исследования, математика и новые материалы

Granite Geospatial Land Surface Temperature — модель IBM, дообученная для предсказания температуры поверхности суши (LST) по спутниковым снимкам и климатическим данным. Она предназначена для оценки городского теплового острова и анализа температурной динамики, в том числе для заполнения временных пробелов в наблюдениях. Модель использует архитектуру Shifted Windowing (Swin) Transformer на базе IBM Prithvi-SWIN-L. Энкодер с предобученными весами дообучен совместно с декодером UperNet для регрессии и дополнительной сверточной регрессионной головой. На вход подаются патчи 224 × 224, содержащие шесть спектральных каналов HLS L30 B02–B07 и слой температуры воздуха ERA5-Land. Заявлены пространственное разрешение 30 м и почасовая временная частота прогноза. Модель обучена на данных HLS и ERA5-Land за 2013–2023 годы для 28 городов в разных гидроклиматических зонах. Репозиторий предоставляет веса в формате PyTorch и инструкции для работы через TerraTorch. Лицензия Apache-2.0. Результаты зависят от наличия и качества соответствующих входных спутниковых и климатических данных; README не сообщает количественные метрики качества.

Это текстовый чекпойнт Gemma 4, структурно прореженный методом Less-is-MoE: удалено ровно 50% нейронов FFN маршрутизируемых экспертов. Разработчик применил метод mean-absolute-gradient на 64 калибровочных примерах из конфигурации gpqa_main датасета Idavidrein/gpqa; оптимизационного шага не выполнялось. Модель основана на google/gemma-4-26B-A4B и предназначена для генерации текста, включая ответы на вопросы и рассуждения в формате GPQA. В репозитории указаны 2 млрд параметров и контекст до 262 144 токенов. Это текстовая часть модели без башни зрения; хотя исходная Gemma 4 мультимодальна, этот чекпойнт предназначен для текстовой генерации. Веса сохранены в BF16 в формате safetensors. Лицензия — Apache-2.0.

Magneto Schema Retriever - GDC — модель VIDA Lab при NYU, созданная дообучением sentence-transformers/all-mpnet-base-v2 для сопоставления схем в биомедицинских и геномных данных, ориентированных на стандарт Genomic Data Commons (GDC). Она кодирует описания столбцов в плотные векторы: модель учитывает название столбца и примеры его значений, чтобы находить семантически подходящие поля, даже если их названия различаются. Архитектура основана на MPNet, содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Модель рассчитана на англоязычные данные. Основной сценарий — первый этап поиска кандидатов при сопоставлении столбцов исследовательских таблиц со схемой GDC, в том числе для гармонизации данных онкологических исследований и построения конвейеров интеграции геномных данных. Обучение проводилось контрастивным методом с triplet loss на синтетических вариантах целевой схемы GDC; качество оценивали на GDC-SM, содержащем реальные таблицы биомедицинских исследований. В описанном двухэтапном конвейере список кандидатов затем уточняет LLM-реранкер. Модель распространяется по лицензии Apache-2.0. Модель специализирована на биомедицинской терминологии и стандарте GDC; на других предметных областях её качество может снижаться. Она предназначена для поиска соответствий между столбцами, а не для общей оценки семантического сходства, и не обучалась на исходных таблицах. Результаты для новых вариантов названий могут быть ограничены разнообразием синтетических примеров; для наилучшего качества рекомендуется последующее ранжирование кандидатов.

Charangan/MedBERT — англоязычная BERT-модель для биомедицинских текстов, разработанная для распознавания именованных сущностей. Модель инициализирована весами Bio_ClinicalBERT и дополнительно предобучена на клинических записях N2C2 и статьях из наборов BioNLP и CRAFT. Это плотная архитектура BERTForPreTraining с 135,5 млн параметров и контекстом до 512 токенов; доступна в формате PyTorch. Модель предназначена для выделения биомедицинских сущностей в клинических записях и научных публикациях. Метаданные указывают задачу fill-mask, то есть восстановление скрытых токенов; это поддерживает применение модели как предобученного языкового представления, но карточка не приводит готового пайплайна NER или метрик качества. Лицензия — MIT.

OlmoEarth-v1_2-Tiny — компактная фундаментальная модель ViT-Tiny с 12 млн параметров для анализа данных дистанционного зондирования. Модель разработана Ai2 и предназначена для работы со снимками и временными рядами изображений Sentinel-1, Sentinel-2 и Landsat. Модель извлекает признаки изображений, которые можно использовать для построения эмбеддингов и дообучения под задачи дистанционного зондирования, включая сегментацию. Она представлена как часть семейства OlmoEarth v1.2; для неё доступны обучающие материалы по вычислению эмбеддингов и адаптации к прикладным задачам. Модель распространяется по лицензии OlmoEarth Artifact License и предназначена для использования с учётом Responsible Use Guidelines Ai2. Подробности ограничений лицензии и показатели качества в предоставленной карточке не раскрыты.

OpenMed-NER-OrganismDetect-PubMed-335M — модель OpenMed для распознавания упоминаний видов организмов в биомедицинских текстах. Это трансформер BERT для классификации токенов, дообученный на корпусе SPECIES800; он отмечает названия видов тегами B-SPECIES и I-SPECIES. В README указана базовая архитектура BiomedNLP-BiomedBERT-large-uncased-abstract, а метаданные сообщают о 433,9 млн параметров и контексте до 512 токенов. Модель предназначена для извлечения названий видов из аннотаций PubMed и другой научной или биомедицинской литературы, в том числе для текстового анализа биоразнообразия и таксономических исследований. README приводит результаты на SPECIES800: F1 0,855, точность 0,837 и полноту 0,874. Модель обрабатывает текст и выдаёт BIO-разметку сущностей; в метаданных указан английский язык. Лицензия — Apache-2.0. Показатели заявлены для SPECIES800 и не гарантируют такое же качество на клинических записях или текстах вне этого набора.

OpenMed-NER-OrganismDetect-SuperClinical-184M — модель OpenMed для распознавания упоминаний организмов и видов в тексте. Это трансформер DeBERTa V2 для классификации токенов, дообученный на корпусе SPECIES800; в README указана базовая архитектура deberta-v3-base. Модель принимает токенизированный текст и выдаёт BIO-разметку сущностей B-SPECIES и I-SPECIES. Размер по метаданным — 211,6 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для извлечения названий видов из биомедицинских текстов и научной литературы, включая латинские и общеупотребительные названия. README сообщает F1 0,79, точность 0,76, полноту 0,81 и accuracy 0,96 на SPECIES800. Поддерживается интеграция через Transformers. Лицензия — Apache-2.0. Оценки в карточке относятся к указанному корпусу; качество на иных текстах может отличаться.

OpenMed разработала OpenMed-NER-OrganismDetect-TinyMed-65M — модель на базе DistilBERT для распознавания названий организмов и видов в тексте. Она дообучена для token classification на корпусе SPECIES800 и размечает упоминания видов тегами B-SPECIES и I-SPECIES. Архитектура — DistilBertForTokenClassification; вход — текст, выход — BIO-разметка токенов. Контекст модели составляет 512 токенов. Модель предназначена для извлечения упоминаний видов из научной и биомедицинской литературы, а также для таксономического анализа и исследований биоразнообразия. В README приведены F1 и precision 0,77, recall 0,77 и accuracy 0,95 на SPECIES800. Эти показатели относятся к указанному корпусу и не гарантируют такое же качество на клинических документах или текстах другой тематики. Модель поддерживает английский язык. Распространяется по лицензии Apache-2.0.

OpenMed-NER-SpeciesDetect-MultiMed-568M — модель OpenMed для распознавания названий видов и организмов в биомедицинских текстах. Это дообученный трансформер XLM-RoBERTa для классификации токенов: он присваивает найденным упоминаниям BIO-метки B-SPECIES и I-SPECIES. Размер модели — 658,7 млн параметров, контекст — до 8194 токенов. Модель предназначена для извлечения названий организмов из научной литературы и других биомедицинских документов, включая поиск упоминаний видов и создание баз знаний. В карточке указано обучение на корпусе LINNAEUS; заявлены F1 0,95, точность 0,93 и полнота 0,96. Поддерживается английский язык. Лицензия — Apache-2.0. Карточка также упоминает сценарии клинического анализа и мониторинга, однако описанные метки относятся только к видам организмов, поэтому возможности извлечения лекарств, химических веществ и нежелательных явлений не подтверждены. Результаты и заявленная точность могут зависеть от типа текста и не гарантируют качество на иных корпусах.

OpenMed/OpenMed-ZeroShot-NER-Organism-Large-459M — специализированная модель распознавания упоминаний организмов в научных и биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена OpenMed на корпусе SPECIES800, содержащем аннотации организмов в научных аннотациях. Модель принимает текст и возвращает найденные сущности с метками; основной целевой тип — SPECIES, включая научные и общеупотребительные названия видов. Модель предназначена для извлечения названий видов и организмов из научной литературы, экологических материалов и биомедицинских текстов, например для биокурации и таксономического анализа. Заявленный F1 на тестовой части SPECIES800 составляет около 0,85. Zero-shot подход позволяет задавать типы сущностей при использовании, однако карточка подробно описывает обучение и оценку прежде всего для распознавания видов. Репозиторий распространяется под лицензией Apache-2.0.

Qwen3-0.6B STEM Proof Distilled — компактная языковая модель от Convergent Intelligence LLC, дообученная на основе Qwen/Qwen3-0.6B с дистилляцией рассуждений Qwen3-30B-A3B-Thinking. Модель содержит около 507,9 млн параметров, использует архитектуру Qwen3 с причинной генерацией текста и рассчитана на контекст до 40 960 токенов; в карточке описан формат обучения, который формирует ответы с разделами «Proof» и «Final Answer». Репозиторий содержит веса Safetensors, лицензия — Apache-2.0. Модель предназначена для компактного решения задач STEM: вывода математических выкладок, разбора задач по физике и инженерии, учебного объяснения решений и черновой подготовки доказательств. Её авторы описывают дистилляцию с акцентом на токены вывода и обучение на 6 122 примерах цепочек рассуждений из математики, физики, инженерии, биологии и смежных областей. В карточке указан английский язык. Размер модели подходит для локального и периферийного инференса, однако её возможности ограничены ёмкостью 0,6B: она может ошибаться в промежуточных шагах и испытывает трудности со сложными многошаговыми задачами. Авторы не рекомендуют полагаться на неё для формальной проверки доказательств, критически важных решений, медицинских или юридических советов; также отмечают ограничение для задач, требующих рассуждений длиннее примерно 1 024 токенов.

Модель разработана aliRafik и представляет собой дообученную версию Qwen3-4B Thinking для решения математических задач. Она ориентирована на рассуждения, структурированное решение и понятные пошаговые объяснения, подбирая их подробность к сложности задачи. Модель использует плотную архитектуру Qwen3 и содержит 3,7 млрд параметров. По данным метаданных, контекст составляет до 262 144 токенов; модель принимает текст и генерирует текст, поддерживает диалоговый режим и интерфейс вызова инструментов. В README указаны обучение на OpenMathReasoning и MathX-5M и использование Transformers для инференса. Основной язык карточки — английский. Модель подходит для математических вопросов, учебных объяснений и экспериментов с рассуждениями. Она может ошибаться в арифметике, промежуточных рассуждениях и предположениях, а также давать лишние шаги или неверные ответы на сложные и необычные задачи; результаты следует проверять независимо. Лицензия — Apache-2.0.

mradermacher/RsEvi-8B-i1-GGUF — GGUF-квантизированная версия vision-language модели RsEvi-8B, разработанной sesko818 и опубликованной в квантизированном виде mradermacher. Модель ориентирована на задачи дистанционного зондирования, visual question answering и visual grounding, то есть на анализ изображений и ответы на вопросы по их содержимому, включая задачи, связанные с данными дистанционного зондирования. В метаданных указан английский язык. Модель имеет размер 8B параметров согласно названию базовой модели и поддерживает обработку изображений; для работы vision-компонента могут потребоваться отдельные mmproj-файлы из статического репозитория. Репозиторий содержит множество вариантов GGUF-квантизации с размерами примерно от 2,2 до 6,8 ГБ, включая IQ- и Q-варианты. Более компактные варианты требуют меньше памяти, но могут заметно уступать в качестве; для баланса скорости, размера и качества рекомендуются i1-Q4_K_S и i1-Q4_K_M, причём i1-Q4_K_M обозначен как быстрый и рекомендуемый. Точные сведения об архитектуре, размере контекстного окна, составе обучающих данных, показателях качества и поддерживаемых языках, кроме английского, в README не указаны. Лицензия также не приведена, поэтому условия коммерческого и иного использования следует уточнять в исходном репозитории базовой модели и у авторов.

Minbyul/biomistral-7b-wo-kqa_golden-iter-sft-dpo-step1 — дообученная методом DPO версия модели BioMistral-7B, созданная на основе Minbyul/biomistral-7b-wo-kqa_golden-iter-sft-step1 с использованием датасета HuggingFaceH4/ultrafeedback_binarized. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, предназначенная для диалоговой генерации текста; её можно применять для ответов на вопросы и ведения текстовых диалогов, в том числе в медицинской и биологической тематике. Модель принимает текст и генерирует текст. Контекстное окно составляет 32 768 токенов. В карточке приведены метрики оценки на тестовой выборке, но подробные сведения о тесте и практических ограничениях отсутствуют. Распространяется под лицензией Apache-2.0.

CeLLaTe-ner-3class-pubmedbert-baseline — модель для разметки токенов, дообученная OTAR3088 на наборе данных OTAR3088/CeLLaTe-ner-3class-iob_final. В её основе — англоязычная BERT-модель microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, адаптированная для биомедицинских текстов. Модель содержит 136,7 млн параметров, использует архитектуру BertForTokenClassification и принимает контекст длиной до 512 токенов. Карточка приводит результаты на оценочном наборе: micro F1 0,7671, weighted F1 0,7667, macro F1 0,7626 и accuracy 0,9829. Название указывает на трёхклассовую NER-разметку, однако карточка не описывает классы меток и не уточняет конкретные сущности; поэтому применение следует сверять с разметкой обучающего набора. Лицензия — Apache-2.0.

bartowski/google_txgemma-27b-chat-GGUF — это квантизированная версия чат-модели TxGemma-27B-Chat, разработанной Google. Модель предназначена для генерации текста в сценариях, связанных с терапевтическими исследованиями и разработкой лекарственных препаратов. Указан английский язык, поддерживается текстовая модальность. Точная архитектура и размер контекста в README не приведены; известно, что исходная модель содержит около 27 млрд параметров. Модель поставляется в формате GGUF для запуска через llama.cpp, LM Studio и другие совместимые проекты. Доступны варианты от BF16 до различных уровней квантования, включая Q8_0, Q6_K, Q5_K и Q4_K, что позволяет выбирать между качеством, размером файла и требованиями к памяти. Высококачественными вариантами названы Q6_K и Q6_K_L, а Q4_K_M описан как типичный вариант для большинства сценариев. Ограничения включают поддержку только английского языка, отсутствие System prompt и потенциальное снижение качества при использовании низких уровней квантования. Квантизация выполнена bartowski с использованием llama.cpp и метода imatrix. Для доступа к исходной модели на Hugging Face требуется принять условия Health AI Developer Foundation. В README указана лицензия health-ai-developer-foundations и ссылка на её условия использования; конкретные права и ограничения следует уточнять в полном тексте лицензии.

Ling-3.0-flash-base-30T — базовая языковая модель семейства Ling-3.0, выпущенная командой inclusionAI как промежуточный чекпойнт обучения. Она предназначена для продолжения предобучения, дообучения под предметную область и исследований методов обучения, MoE-систем и обработки длинного контекста; для обычного чат-развертывания модель не подготовлена. Модель построена на гибридной разреженной MoE-архитектуре Bailing с 512 маршрутизируемыми экспертами: на каждом токене активируются восемь экспертов и один общий. В архитектуре внимания сочетаются KDA и Gated MLA. Размер модели — 3,5 млрд параметров, нативный контекст — 8192 токена; формат файлов — safetensors. README указывает на поддержку многоязычных задач, математики, программирования, рассуждений и длинного контекста, но не перечисляет конкретные языки. Это предобученный чекпойнт, без mid-training, слияния WSM и постобучения. Для использования в диалоге, высокорисковых сценариях или производственных задачах нужны дополнительное выравнивание и проверка на конкретной задаче. Лицензия — MIT.

OpenMed/OpenMed-ZeroShot-NER-Organism-Multi-209M — специализированная модель OpenMed для распознавания упоминаний организмов и видов в научных и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе SPECIES800, содержащем аннотации организмов в научных аннотациях, включая научные и распространённые названия видов. Модель принимает текст и возвращает найденные сущности с метками. Zero-shot-подход позволяет задавать типы сущностей при использовании без отдельного дообучения; основной заявленный тип — SPECIES. Модель подходит для разметки упоминаний организмов, биокурации и извлечения видовых названий из литературы. В карточке указано значение F1 0,69 на тестовом наборе, исключённом из обучения; приведённые сравнительные результаты относятся к другим размерам модели и не должны переноситься на эту версию. В метаданных указан английский язык и формат PyTorch. Лицензия — Apache-2.0. Результаты на SPECIES800 не гарантируют сопоставимое качество на других текстах, языках или типах сущностей; заявленная гибкость zero-shot не означает одинаковой точности для произвольных меток.

OpenThinker3-7B-SFT-GRPO-DE — плотная языковая модель на архитектуре Qwen2 с 7,1 млрд параметров, разработанная DGurgurov на основе open-thoughts/OpenThinker-7B. Это второй этап адаптации ReasonXL: после дообучения на немецкоязычных рассуждениях модель прошла обучение с подкреплением методом Dr. GRPO на проверяемых математических задачах. Цель обучения — улучшить качество рассуждений, сохранив немецкий язык. Модель предназначена для генерации текста с пошаговыми рассуждениями на немецком языке, в первую очередь при решении математических задач. Контекст составляет 32 768 токенов. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не указана.

CardinalOperations/ORLM-LLaMA-3-8B — языковая модель на базе Meta LLaMA-3-8B, дообученная командой CardinalOperations на данных OR-Instruct для задач исследования операций. Она принимает текстовое описание задачи оптимизации и предназначена для построения математической модели и соответствующего кода на Python с использованием coptpy. В карточке приведены сравнения с другими методами на бенчмарках NL4OPT, MAMO и IndustryOR. Модель содержит 7,5 млрд параметров, использует архитектуру LLaMA для генерации текста и имеет контекст до 8192 токенов. Лицензия — Llama 3. Карточка не приводит подробностей об ограничениях качества за пределами результатов на указанных бенчмарках.

PixVL-bestcap50k-gcg-sft — экспорт модели PixVL, опубликованный разработчиком HudeKing. Модель основана на Qwen3-VL-4B-SAMTok и предназначена для сегментации изображений; её архитектура — Qwen3-VL с условной генерацией, а веса доступны в формате safetensors. Модель можно использовать для выделения областей и объектов на изображениях. README указывает, что экспорт выпущен для исследовательского использования. Репозиторий заявляет лицензию MIT, а README связывает условия использования с лицензией и ограничениями базовой модели.

Карточка модели sensenova/SenseNova-Vision-7B-MoT на Hugging Face совпадает с карточкой RzZ/SenseNova-Vision-7B-MoT, поэтому описание составлено по ней. 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.

DGurgurov/SmolLM3-3B-SFT-GRPO-FR — дообученная языковая модель на архитектуре SmolLM3ForCausalLM с 3,1 млрд параметров, созданная на основе HuggingFaceTB/SmolLM3-3B. Это вторая стадия ReasonXL: после SFT модель дополнительно обучена методом Dr. GRPO с составной наградой на проверяемых математических задачах. Модель предназначена для генерации текста и решения математических задач с рассуждениями на французском языке; её контекстное окно составляет 65 536 токенов. Обучение нацелено на восстановление качества рассуждений после SFT при сохранении французского языка для рассуждений. В карточке указаны данные ReasonXL-SFT и формат весов safetensors. Модель унаследовала многоязычную основу SmolLM3, однако конкретная специализация этого чекпойнта — французские рассуждения. Лицензия в предоставленных данных не указана.

THOR-1.0-base — геопространственная базовая модель на основе Vision Transformer (FlexiViT), разработанная Норвежским вычислительным центром (NR), Арктическим университетом Норвегии UiT и ESA Φ-lab. Она извлекает признаки из спутниковых данных Copernicus Sentinel-1, Sentinel-2 и Sentinel-3, включая SAR, мультиспектральные снимки OLCI и SLSTR с исходным разрешением от 10 до 1000 м. Модель предварительно обучена на парных наблюдениях Sentinel-1, Sentinel-2 и Sentinel-3 из набора THOR-Pretrain, вместе с вспомогательными данными о земном покрове, высотах и метеорологии. Благодаря случайному выбору размеров изображений и патчей при обучении THOR позволяет менять размер патча при выводе, регулируя вычислительные затраты и детализацию признаков без переобучения. Модель предназначена для дообучения под задачи классификации земного покрова, картирования сельскохозяйственных культур и обнаружения наводнений, а также для других геопространственных сценариев. В тестах PANGAEA THOR-Base показала высокую эффективность при ограниченном объёме размеченных данных. Репозиторий использует PyTorch и библиотеку TerraTorch; лицензия — Apache-2.0.

BVRA/vit_base_patch16_384.in1k_ft_fungitastic_384 — модель компьютерного зрения для тонкой классификации видов грибов, дообученная на наборе данных FungiTastic. Она основана на Vision Transformer с патчами 16×16; размер входного изображения составляет 384×384 пикселя, а число параметров — около 88,3 млн. Модель предназначена для распознавания грибов по изображениям и получения визуальных эмбеддингов. Модель можно применять для классификации грибных видов на фотографиях в задачах экологии и исследования биоразнообразия. Репозиторий содержит веса PyTorch. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

MaticFuc/anomalyvfm_dinov2 — модель семейства AnomalyVFM для обнаружения и локализации аномалий на изображениях без обучающих изображений из целевой области. Подход преобразует предварительно обученные визуальные foundation-модели, включая DINOv2, в детекторы аномалий с нулевым обучением на целевых данных. В README описаны синтетическая генерация данных в три этапа, параметрически эффективная адаптация с низкоранговыми адаптерами LoRA/DoRA и взвешенная по уверенности пиксельная функция потерь. Модель предназначена для сегментации подозрительных областей и оценки наличия дефектов на изображении, например при визуальном контроле качества. Для варианта с backbone RADIO в README приведён средний image-level AUROC 94,1% на девяти наборах данных; это число не характеризует напрямую вариант DINOv2. Репозиторий содержит веса safetensors, а карточка задаёт задачу image-segmentation. Информация о лицензии и точном размере контекста для этой модели не приведена в предоставленных данных.

NeuML/bert-small-cord19qa — компактная модель BERT, дообученная NeuML на наборе CORD-19 QA. Она предназначена для ответов на вопросы по предоставленному контексту о COVID-19 и исследованиях, связанных с коронавирусами; датасет оформлен в формате SQuAD 2.0 и включает примеры без ответа. Модель содержит 40,8 млн параметров, рассчитана на контекст до 512 токенов и доступна в форматах PyTorch и Flax. Модель подходит для извлечения ответов из научных текстов и вопросов по материалам CORD-19. Она не предназначена для свободного диалога или ответов без контекста, а качество вне тематики и распределения обучающего набора не подтверждено. Лицензия в предоставленных данных не указана.

BioGPT — авторегрессионная языковая модель семейства GPT, разработанная Microsoft и предварительно обученная на большом корпусе биомедицинской литературы. Она содержит 446,1 млн параметров, использует плотную архитектуру Transformer и принимает текст для генерации продолжения; максимальный контекст составляет 1024 токена. Модель предназначена для генерации связного биомедицинского текста и может служить основой для задач обработки биомедицинской литературы. В карточке также описаны оценки на задачах извлечения сущностей и отношений и ответов на вопросы по биомедицинским публикациям, включая PubMedQA. Для этих задач могут потребоваться дополнительные настройки или методы обработки. BioGPT поддерживает английский язык. Репозиторий распространяется в формате PyTorch по лицензии MIT. Как генеративная модель предметной области, она может выдавать фактически неверные или неподтверждённые медицинские утверждения; результаты следует проверять, особенно перед практическим использованием.

dmis-lab/biosyn-sapbert-ncbi-disease — модель извлечения признаков, разработанная лабораторией Data Mining and Information Systems Lab Корейского университета. Она предназначена для получения векторных представлений текста; заявленное прямое применение — извлечение признаков. В репозитории указана архитектура BERT с 136,7 млн параметров и контекстом до 512 токенов, веса представлены в формате PyTorch. README связывает модель с BERT и описывает предобучение BioBERT на англоязычных корпусах Wikipedia, BooksCorpus, PubMed и PMC. Название указывает на связь с SapBERT и NCBI Disease, однако доступные сведения не уточняют конкретное применение, данные дообучения или измеренные результаты. Лицензия в карточке не приведена. Векторы модели могут служить представлениями текста в NLP-системах, в том числе для последующего сравнения и поиска. README предупреждает о возможных стереотипных и вредоносных результатах, связанных с предвзятостью языковых моделей; результаты следует оценивать с учётом этих ограничений.

Модель разработана Харшитом Кетаватом и Вэймином Ху из лаборатории геоинформатики и моделирования ИИ Университета Джорджии. Это CLIPSeg, полностью дообученная на наборе CloudSEN12+ для сегментации облаков на спутниковых снимках Sentinel-2. Модель выделяет четыре класса: чистое небо, плотные и тонкие облака, а также тени от облаков. Модель предназначена для анализа спутниковых изображений и адаптирована к особенностям дистанционного зондирования. В оценке на тестовой части CloudSEN12+ она показала IoU 0,8540 для чистых областей, 0,7875 для плотных облаков и 0,4702 для тонких облаков; README не приводит результат для теней от облаков. Это указывает на более слабое качество сегментации тонких облаков по сравнению с другими опубликованными классами.