IV.6Научные исследования, математика и новые материалы

CSATv2 — компактная визуальная модель и экстрактор признаков, представленные в репозитории timm. Модель предназначена для классификации изображений и использования в качестве высокопроизводительного визуального backbone для обнаружения объектов. Она рассчитана на изображения размером 512×512 пикселей и использует сжатие во входном частотном представлении для снижения избыточности пространственных данных. В карточке заявлены 11,1 млн параметров, 1,4 GMAC и точность Top-1 80,02% на ImageNet-1K; также приводится скорость 2800 изображений в секунду на одной A6000. Модель ориентирована на обработку больших наборов изображений и высокоразрешённых патчей, в частности патчей гистологических whole-slide изображений. Для конкретного репозитория указана лицензия Apache-2.0. Карточка описывает производительность и качество на ImageNet-1K, но не приводит подробностей о независимой оценке для задач обнаружения объектов или патологического анализа; заявленную скорость следует соотносить с указанным оборудованием и разрешением.

Eklav-14B-Math — языковая модель на 14 млрд параметров, созданная AdarshSingh7647 дообучением Qwen/Qwen3-14B. Она предназначена для генерации текста с упором на математические рассуждения. Метод Eklav обучает модель продолжать рассуждение по частичному следу учителя, не копируя его целиком; по данным карточки, средний pass@1 на шести математических тестах выше на 2,5 процентного пункта, чем у стандартного дообучения на полных следах рассуждений. Модель использует архитектуру Qwen3ForCausalLM, поддерживает диалоговый режим и принимает текст, выдавая текст. Заявленная длина контекста — 40 960 токенов. README приводит результаты на AIME, GPQA-Diamond, GSM8K, MATH-500 и Omni-MATH; указано, что для каждого теста выполнен один прогон оценки. Сведения о лицензии в предоставленных материалах отсутствуют.

Eklav-9B-Math-CotGen — диалоговая языковая модель AdarshSingh7647 для генерации текста и математических рассуждений. Это базовый вариант CotGen для сравнения с методом обучения, при котором модель продолжает частичную цепочку рассуждений учителя и самостоятельно выводит ответ. В карточке также описан стандартный вариант обучения с полными цепочками рассуждений (CoT SFT); базовая модель — zai-org/GLM-Z1-9B-0414. Модель построена на плотной архитектуре GLM-4 и содержит 8,8 млрд параметров. Она работает с текстом, поддерживает диалог и принимает контекст длиной до 32 768 токенов. В карточке приведены результаты одного прогона на математических и общих бенчмарках, включая GSM8K, MATH-500 и AIME. Модель предназначена для математических задач и генерации рассуждений, но результаты приведены только для одного оценочного прогона и сами по себе не гарантируют качество на новых задачах. Использование возможно через Transformers; лицензия в предоставленных данных не указана.

LISA++ — модель для сегментации объектов на изображениях по запросам и рассуждениям на естественном языке. Она разработана авторами статьи «LISA++: An Improved Baseline for Reasoning Segmentation with Large Language Model» и дообучена на базе liuhaotian/llava-v1.5-7b. Модель насчитывает 6,6 млрд параметров, использует архитектуру LLaVA и принимает изображения вместе с текстовыми инструкциями; базовая модель описана как мультимодальный чат-бот для вопросов об изображениях и выполнения визуальных инструкций. Модель предназначена для сегментации экземпляров объектов и задач, где нужно определить на изображении объект, описанный текстом. Контекст составляет 4096 токенов. В репозитории указаны веса PyTorch и лицензия Apache-2.0. Карточка не сообщает о поддерживаемых языках, поэтому языковой охват не уточняется.

Oliver Sundaram разработал дообученную текстовую модель Llama-3.2-1B-MathCodeInstruct-20k на базе unsloth/Llama-3.2-1B. Это плотная авторегрессионная архитектура LlamaForCausalLM с 1,2 млрд параметров; модель обучена на 20 тыс. примеров набора MathLLMs/MathCodeInstruct и доступна в формате safetensors. Контекстное окно составляет 131 072 токена. Модель предназначена для решения математических текстовых задач с пошаговыми объяснениями на естественном языке и фрагментами исполняемого Python-кода. Она поддерживает генерацию текста и диалоговый интерфейс; в карточке указан английский язык. В сравнении с базовой моделью результат GSM8K вырос с 5,8% до 8,9%, тогда как показатели ARC-Challenge и HellaSwag немного снизились. Это специализированное дообучение, а не универсальный ассистент: обучение проведено за одну эпоху на подмножестве из 20 тыс. примеров, а качество ограничено небольшой базовой моделью. Дополнительное safety-обучение и RLHF не применялись. Лицензия обозначена как other, поэтому условия использования следует сверить с карточкой репозитория.

antonkirk/Llama3-Instruct-OpenBioLLM-8B-merged — объединённая языковая модель, созданная с помощью mergekit методом DARE TIES на основе Meta Llama 3. В объединение вошли Meta-Llama-3-8B-Instruct и Llama3-OpenBioLLM-8B; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров. Модель предназначена для генерации текста и диалоговых ответов, в том числе на биомедицинские темы. Она принимает текст и выдаёт текст, работает через Transformers и поддерживает контекст до 8192 токенов. Файлы опубликованы в формате safetensors. Лицензия в предоставленных сведениях не указана. Карточка не содержит результатов оценки качества, поэтому точность ответов, особенно в медицинских сценариях, не подтверждена; выводы модели следует проверять.

Marigold IID Appearance v1-1 — модель для разложения одного изображения на внутренние свойства внешнего вида объектов. Её разработали Bingxin Ke, Kevin Qu, Tianfu Wang, Nando Metzger, Shengyu Huang, Bo Li, Anton Obukhov и Konrad Schindler; модель дообучена на основе stable-diffusion-2 и реализована как латентная диффузионная модель для анализа изображений. Модель оценивает альбедо, шероховатость и металличность материалов на входном изображении. Её можно применять для анализа материалов в компьютерной графике и компьютерном зрении. Вход и выход альбедо представлены в цветовом пространстве sRGB; оценки шероховатости и металличности — в линейном диапазоне от 0 до 1. Для оптимальных результатов большие изображения рекомендуется уменьшать так, чтобы длинная сторона была около 768 пикселей. Модель рассчитана на работу с планировщиком DDIM и от 1 до 50 шагов денойзинга; карты неопределённости доступны при ансамблировании более чем двух предсказаний. Модель распространяется по лицензии CreativeML Open RAIL++-M. Результаты являются оценками свойств материалов по одному изображению; для изображений существенно крупнее эффективного разрешения качество может снижаться.

Mille-Pensées — языковая модель GLauzza для решения математических задач с пошаговыми рассуждениями. Она создана дообучением Qwen/Qwen2.5-7B-Instruct на датасете GLauzza/Mille-Pensees-Dataset и построена на архитектуре Qwen2, содержит 7,1 млрд параметров. Модель предназначена для генерации текста и диалогов; карточка сообщает о результатах на французских математических тестах, а также на английских математических и общих тестах. Модель поддерживает французский и английский языки, использует формат safetensors и имеет контекст длиной до 32 768 токенов. Основной сценарий — решение математических задач с рассуждениями на французском языке; также заявлены возможности работы с математическими задачами на английском. Лицензия в предоставленных данных не указана.

lokeshch19/ModernPubMedBERT — англоязычная модель эмбеддингов для медицинских и биомедицинских текстов, разработанная как дообучение thomas-sounack/BioClinical-ModernBERT-base. Она основана на архитектуре ModernBERT с 149 млн параметров и обучена контрастивным методом InfoNCE на парах заголовков и аннотаций PubMed. Модель предназначена для семантического поиска, сравнения сходства и сопоставления медицинских понятий и документов; её можно применять в поиске клинических материалов и биомедицинской литературы. Модель принимает текст и выдаёт эмбеддинги, пригодные для вычисления сходства и ранжирования по релевантности. Метаданные указывают контекст до 8192 токенов, а README — максимальную длину последовательности 2048 токенов. По заявлению автора, на наборе gamino/wiki_medical_terms модель показала более высокие метрики поиска, чем NeuML/bioclinical-modernbert-base-embeddings; результаты приведены в карточке модели и не являются независимой оценкой. Лицензия — MIT.

OpenMed-NER-OrganismDetect-PubMed-v2-109M — модель OpenMed для распознавания упоминаний организмов и видов в биомедицинских текстах. Это дообученная для токенной классификации модель семейства BERT на базе BiomedNLP-BiomedBERT-base-uncased-abstract; в метаданных указано 136,7 млн параметров, а контекст ограничен 512 токенами. Модель размечает названия видов тегами B-SPECIES и I-SPECIES, включая научные и общеупотребительные названия. Модель предназначена для извлечения упоминаний видов из аннотаций PubMed и другой биомедицинской литературы, а также для последующего текстового анализа и построения баз знаний по биоразнообразию и таксономии. На наборе SPECIES800 в README приведены F1 0,8458, точность 0,8287 и полнота 0,8637. Это показатели конкретного бенчмарка; качество на клинических записях или текстах за пределами обучающего домена может отличаться. Модель принимает текст и возвращает токенные BIO-метки; карточка указывает английский язык. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-SuperClinical-141M — специализированная модель OpenMed для распознавания упоминаний видов организмов в биомедицинских текстах. Она дообучена на корпусе SPECIES800 и построена на архитектуре DeBERTa V3 Small; метаданные указывают класс DeBERTa V2 для классификации токенов, 155 млн параметров и контекст до 512 токенов. Модель принимает токенизированный текст и предсказывает BIO-метки B-SPECIES и I-SPECIES для названий видов, включая научные и общепринятые названия. Модель предназначена для извлечения упоминаний организмов из научной литературы, клинических документов и других биомедицинских текстов, а также для анализа биоразнообразия и таксономических упоминаний. В README приведены F1 0,76, точность 0,73 и полнота 0,79 на SPECIES800. Лицензия — Apache-2.0. Заявленные в README сценарии включают поиск организмов в документах и поддержку биомедицинского текстового анализа. Несмотря на более широкие примеры применения в карточке, модель размечает только сущности видов: она не извлекает лекарства или химические соединения и сама по себе не выявляет лекарственные взаимодействия.

PLLaMa-7b-instruct — языковая модель семейства LLaMA, разработанная UCSB для задач в области науки о растениях. Модель на 6,6 млрд параметров создана на основе LLaMa-2-7b-base: её дополнительно обучали на более чем 1,5 млн научных статей по ботанике, а затем дообучили следованию инструкциям. Модель предназначена для генерации текста и ответов на запросы по тематике растений и растительной науки. Она принимает текст и выдаёт текст; заявленная длина контекста — 2048 токенов. Репозиторий содержит веса PyTorch. Лицензия — Apache-2.0. В карточке не перечислены поддерживаемые языки; для научных запросов на других языках качество не подтверждено.

Qwen2-Math-RM-72B — англоязычная reward-модель, разработанная командой Qwen для оценки качества математических рассуждений и промежуточных шагов. Она построена на плотной архитектуре Qwen2 и содержит 71,5 млрд параметров; контекст — до 4096 токенов. Модель дообучена на Qwen/Qwen2-Math-72B-Instruct. Её применяют для отбора качественных ответов с помощью rejection sampling, подачи сигнала вознаграждения при обучении с подкреплением и выбора лучшего варианта из нескольких сгенерированных ответов (Best-of-N, RM@N). README также описывает использование оценок для улучшения математических данных и моделей Qwen2-Math. Модель принимает текст и выдаёт классификационную оценку качества рассуждений. В метаданных указана лицензия other; конкретные условия использования следует сверить с лицензией репозитория.

Это гибридная модель машинного обучения для прогнозирования уровня воды в реках и поддержки выпуска предупреждений о наводнениях. В конвейере GRU извлекает временные зависимости из гидрологических рядов, а XGBoost использует исходные признаки вместе с состояниями GRU для итоговой регрессии. В карточке указаны реализации на TensorFlow и оптимизация GRU-компонента в ONNX для CPU-инференса. Модель рассчитана на сценарии гидрологического мониторинга с агрегированными данными об осадках и расходе речного потока. Для очистки сигналов применяется вариационная модовая декомпозиция, а признаки и целевая переменная стандартизируются по историческим обучающим данным. README приводит метрики на отложенной выборке, включая R² 0,987 и F1 0,846 для обнаружения наводнений по порогу 80-го процентиля; результаты зависят от данных и условий оценки. Лицензия в предоставленных источниках не указана.

Thyme233/bge_based_arg_minibio_matryoshka — англоязычная модель Sentence Transformer, дообученная автором на 4 247 парах вопросов и ответов из датасета json для представления текстов о биомедицинских темах. Архитектура основана на BERT и BAAI/bge-base-en-v1.5; модель кодирует предложения и абзацы в плотные векторы размерностью до 768 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов. Модель подходит для семантического поиска, сопоставления вопроса с ответом, поиска перефразировок, кластеризации и классификации текстов. Обучение с MatryoshkaLoss позволяет использовать укороченные эмбеддинги размерностью 512, 256, 128 или 64 для компромисса между размером вектора и качеством поиска. В README приведены метрики retrieval-оценки на разных размерностях. Модель принимает текст и выдаёт векторные эмбеддинги; она не генерирует ответы. README описывает англоязычные данные с биомедицинскими вопросами и ответами, поэтому качество в других тематиках и языках может отличаться. Лицензия — Apache-2.0.

BioMistral-7B — медицинская языковая модель на архитектуре Mistral, разработанная авторами проекта BioMistral при участии CNRS. Модель размером 7,1 млрд параметров создана дополнительным предварительным обучением Mistral-7B-Instruct-v0.1 на текстах открытого доступа из PubMed Central. Она предназначена для генерации текста и диалоговых сценариев в биомедицинской области, включая ответы на медицинские и биологические вопросы. Метаданные указывают поддержку девяти языков: французского, английского, немецкого, нидерландского, испанского, португальского, польского, румынского и итальянского. Заявленная длина контекста — 32 768 токенов; в таблице README для модели указана длина последовательности 2 048 токенов. В описанной авторами оценке модель сравнивалась на десяти медицинских вопросно-ответных тестах на английском языке, а также на автоматически переведённых версиях для семи других языков. Это ориентиры бенчмарков, а не гарантия качества в реальной практике. Авторы предупреждают, что модель не прошла клиническую проверку и не выровнена для безопасного принятия профессиональных медицинских решений; рекомендуют использовать её только для исследований и не развёртывать в клинических или иных профессиональных медицинских целях без тщательной проверки и адаптации. Репозиторий распространяется по лицензии Apache-2.0.

modrill/math-nothink-strip-s2-qwen3-4b — дообученная плотная языковая модель семейства Qwen3, созданная на базе Qwen/Qwen3-4B-Base. Это второй этап продолженного обучения модели math-nothink-strip-v2 в рамках Light-R1 stage2: один проход обучения с длиной отсечения 4096 токенов и скоростью обучения 3e-6. Модель предназначена для генерации текста в диалоговом формате и ориентирована на математические задачи без развёрнутых рассуждений. Модель содержит 3,7 млрд параметров, использует архитектуру Qwen3ForCausalLM и принимает текст; заявленный родной контекст базовой модели составляет 32 768 токенов. В репозитории представлены веса safetensors. Лицензия Apache-2.0 разрешает использование на её условиях. Карточка не сообщает результаты оценивания или подробные границы применимости.

MetalGPT-1 — русскоязычная диалоговая модель nn-tech для задач горнодобывающей и металлургической отраслей. Она создана на основе Qwen3 с продолжением предварительного обучения и supervised fine-tuning на отраслевых данных; архитектура — плотная Qwen3ForCausalLM, размер — 29,7 млрд параметров, контекст — до 40 960 токенов. Модель предназначена для генерации текста и диалогового взаимодействия, включая ответы на вопросы и работу с запросами в отраслевом контексте. Модель принимает текст и выдаёт текст, поддерживает русский язык и интерфейс вызова инструментов. Репозиторий содержит веса Safetensors. Лицензия CC BY-NC-SA 4.0 требует атрибуции, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

Neumind-Math-7B-Instruct — инструктивная языковая модель на архитектуре Qwen2, разработанная PrithivMLmods путём дообучения Qwen/Qwen2.5-7B-Instruct на математических данных. Модель содержит 7,1 млрд параметров, работает с текстом и имеет контекст длиной до 32 768 токенов. Она предназначена для решения математических задач и пошаговых объяснений в арифметике, алгебре, геометрии и математическом анализе. Модель подходит для учебных помощников, подготовки примеров и заданий, а также генерации математических доказательств и числовых решений. В метаданных также отмечена поддержка диалогов, следования инструкциям и интерфейса вызова инструментов. Модель ориентирована на английский язык; качество на других языках не подтверждено представленными данными. Как и другие языковые модели, она может допускать ошибки в вычислениях и доказательствах, поэтому результаты требуют проверки. Лицензия — CreativeML Open RAIL-M.

Карточка модели menik1126/OVD-Math-1-data-FR-Step300-Historical на Hugging Face совпадает с карточкой menik1126/ovd-math-1-data-full-step300-historical, поэтому описание составлено по ней. menik1126/ovd-math-1-data-full-step300-historical — чекпойнт из коллекции OVD: исторический вариант эксперимента «1-data full», шаг 300. Репозиторий содержит веса для инференса и токенизатор; модель дообучена на базе Qwen/Qwen2.5-Math-1.5B и использует архитектуру Qwen2ForCausalLM с 1,5 млрд параметров. Модель предназначена для генерации текста, в том числе решений математических задач. Контекст — до 4096 токенов. Базовая Qwen2.5-Math-1.5B рассчитана на математические задачи на английском и китайском языках; README не уточняет языки и качество именно этого экспериментального чекпойнта. Данных о лицензии в предоставленных источниках нет.

google/paligemma-3b-ft-rsvqa-hr-224 — модель семейства PaliGemma, разработанная Google. Это дообученная на задаче визуальных вопросов и ответов по снимкам высокого разрешения модель с архитектурой VLM, сочетающей зрительный компонент SigLIP и языковую модель Gemma. Она принимает изображение и текстовый запрос, а в ответ генерирует текст; предназначена для одношаговой обработки, а не для многоходового диалога. Модель подходит для ответов на вопросы о содержимом снимков дистанционного зондирования Земли и других изображений высокого разрешения. PaliGemma также можно дообучать для специализированных задач анализа изображений. В карточке указана поддержка нескольких языков, но конкретные языки для этой версии не перечислены. Модель лучше работает с чёткими запросами; на открытых и сложных задачах, тонкостях языка и рассуждениях здравого смысла возможны ошибки. Ответы могут содержать фактические неточности. Лицензия — Gemma; применяются ограничения политики допустимого использования Gemma.

PixVL-bestcap-m2tfb — публичный экспорт модели семейства PixVL, основанной на Qwen3-VL-4B-SAMTok. В репозитории размещён полный экспорт Hugging Face в формате Safetensors; архитектура — Qwen3VLForConditionalGeneration, библиотека — Transformers. Модель предназначена для сегментации изображений. Карточка описывает её как исследовательский релиз и не приводит дополнительных сценариев применения или результатов оценки. Модель унаследовала лицензию и ограничения использования базовой модели; в метаданных указана лицензия MIT.

AdaptLLM/remote-sensing-Qwen2.5-VL-3B-Instruct — мультимодальная модель AdaptLLM для анализа изображений дистанционного зондирования. Она создана постобучением Qwen2.5-VL-3B-Instruct на наборе remote-sensing-visual-instructions; архитектура соответствует базовой модели Qwen2.5-VL и содержит 3,1 млрд параметров. Модель принимает изображения и текстовые инструкции и формирует текстовые ответы в диалоге. Она предназначена для визуальных вопросов и ответов и других сценариев анализа данных дистанционного зондирования. Контекст составляет до 128 000 токенов; в инструкции изображение нужно размещать перед текстом. README описывает обучение в течение одной эпохи с learning rate 1e-5 и глобальным batch size 128. В метаданных указан английский язык. Для работы предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Revision Assistant — Journal Readiness — модель классификации текста для оценки готовности научной рукописи к подаче в журнал. Репозиторий содержит ONNX-вариант весов с квантованием int8 и токенизатор, подготовленные для инференса в браузере через Transformers.js. Архитектура — BERT для классификации последовательностей; размер составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель предназначена для использования в Revision Assistant при проверке академических текстов. Карточка не описывает классы, критерии оценки, обучающие данные или качество модели. В метаданных указаны форматы ONNX и safetensors. Лицензия не указана в предоставленных данных.

Модель medspaner/roberta-es-clinical-trials-temporal-ner — испаноязычная модель распознавания именованных сущностей, разработанная на основе bsc-bio-ehr-es. Её дообучили на корпусе CT-EBM-ES для текстов о клинических исследованиях. Модель выделяет временные выражения по схеме TimeML: даты, время, длительность и частоту, а также сущности возраста. Она построена на архитектуре RoBERTa и содержит 151,8 млн параметров; максимальная длина контекста — 514 токенов. В README сообщается о точности, полноте и F1 около 0,90 на тестовых данных. Модель предназначена для извлечения временных упоминаний из испанских аннотаций и объявлений клинических исследований. Она находится в разработке, может содержать смещения и не должна использоваться для медицинских решений без проверки специалистом. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и ограничивающая коммерческое применение.

PushkarA07 выпустил модель семантической сегментации изображений на архитектуре SegFormer B0. Она дообучена на наборе PushkarA07/batch2-tiles_W5 и предназначена для выделения областей и аномалий на изображениях, связанных с этим набором данных. В README для оценки приведены Mean IoU 0,8989, Mean Accuracy 0,9400, Overall Accuracy 0,9990 и IoU для аномалий 0,7988. Модель принимает изображения и выдаёт пиксельную разметку классов. Описание набора данных и классов, условия применения и ограничения в карточке не раскрыты. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице репозитория.

WaterBERT — англоязычный BERT-base энкодер от Mudi12137, адаптированный для текстов о сточных водах и водоочистке. Модель создана продолжением предобучения SciBERT с masked language modeling на корпусе научной литературы по водоподготовке; используется словарь SciBERT на 31 090 токенов. Размер — 137,1 млн параметров, контекст — до 512 токенов. Модель подходит для предсказания замаскированных слов и как основа для дообучения на задачах обработки профильных текстов: распознавании сущностей, извлечении отношений, классификации и поиске. Лицензия — Apache-2.0. WaterBERT рассчитана на английский текст с автоматическим приведением к нижнему регистру. Обучающий корпус преимущественно состоит из научных аннотаций, поэтому качество на эксплуатационных журналах и нормативных документах не оценено.

skfrost19/BioMistralMerged — объединённая языковая модель, созданная с помощью mergekit методом SLERP из BioMistral/BioMistral-7B и mohsenfayyaz/Mistral-7B-Instruct-v0.2_medical_bios_5000_5ep. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговые сценарии в биомедицинской тематике. Контекст составляет до 32 768 токенов. Модель подходит для ответов на медицинские и биологические вопросы, диалога по биомедицинским темам и подготовки черновиков тематических текстов. Репозиторий содержит веса в форматах Safetensors и GGUF. Используется лицензия Apache-2.0. Ответы модели не заменяют медицинскую консультацию: возможны фактические ошибки, поэтому медицинскую информацию следует проверять. В карточке не приведены результаты оценки качества объединённой модели.

DeepSeek-V4-Pro-Qwen3.5-4B — компактная модель рассуждений на 4 млрд параметров, созданная Jackrong на основе Qwen3.5-4B от Unsloth. Она дообучена методом SFT с использованием дистиллированных ответов DeepSeek-V4-Pro в режиме Max Effect и примерно 250 тысяч примеров по математике и естественным наукам. Архитектура — плотная Qwen3.5; модель предназначена для диалога и генерации текста. В карточке указаны английский и китайский языки, а базовая Qwen3.5 также поддерживает понимание изображений; возможности обработки изображений этой производной модели отдельно не описаны. Модель рассчитана на пошаговое решение математических и STEM-задач с декомпозицией и проверкой решения. В README приводятся результаты GSM8K и выборок MMLU-Pro по математике, физике и химии; сообщается об оценке GGUF-сборки MTP-Q8 с контекстом 64K на слот. Карточка также описывает дообучение через Unsloth LoRA с последующим слиянием в BF16. Лицензия — Apache-2.0. Разработчик характеризует выпуск как экспериментальный. Возможны галлюцинации, арифметические ошибки и сбои на сложных или неоднозначных задачах; оценка MMLU-Pro охватывает выборки, а не полные разделы. Специализированных данных для программирования не было, а перенос навыков программирования и вызова инструментов не подтверждён. Важные результаты следует проверять независимо.

EpiExtract4GARD-v2 — модель NCATS на архитектуре BERT, дообученная на EpiSet4NER-v2 для распознавания именованных сущностей в аннотациях к исследованиям редких заболеваний. Она размечает упоминания мест (LOC), типов эпидемиологических показателей (EPI) и статистических значений или показателей распространённости (STAT), например географические названия и частоту случаев заболевания. Модель принимает текст и возвращает метки для токенов; она рассчитана на английский язык и имеет контекстное окно 512 токенов. Модель предназначена для извлечения эпидемиологической информации из научных аннотаций и может служить компонентом исследовательского конвейера. Она использует веса PyTorch и содержит около 463,1 млн параметров. Лицензия указана как other, поэтому конкретные условия использования следует проверять в репозитории модели. Качество и применимость ограничены особенностями и смещениями обучающего набора EpiSet4NER; кроме того, BERT может неточно обрабатывать числовые значения, что затрудняет распознавание эпидемиологических показателей.