IV.6Научные исследования, математика и новые материалы

GeoChat-7B — мультимодальная модель MBZUAI для анализа изображений дистанционного зондирования Земли. Модель содержит 6,6 млрд параметров, использует архитектуру GeoChatLlamaForCausalLM и дообучена на основе LLaVA-1.5 для сценариев дистанционного зондирования. Она предназначена для описания изображений и отдельных областей, визуальных вопросов и ответов, классификации сцен, диалогов с визуальной привязкой и обнаружения объектов по текстовому запросу. Модель рассчитана на работу с изображениями высокого разрешения и региональное рассуждение; README заявляет устойчивые результаты zero-shot на этих задачах. Модель принимает изображения и текстовые запросы, а отвечает текстом; её контекст составляет 4096 токенов. Репозиторий содержит веса PyTorch и распространяется по лицензии Apache-2.0. README не приводит количественных оценок качества или сведений об ограничениях применимости.

NOT-OMEGA/llama-3.2-3b-reasoning-merged — диалоговая текстовая модель на архитектуре Llama 3.2 с 3,2 млрд параметров, созданная дообучением unsloth/Llama-3.2-3B-Instruct. Разработчик сообщает, что модель дообучена с помощью QLoRA в 4-битном режиме на выборке из датасета ServiceNow-AI/R1-Distill-SFT; карточка приводит примеры решения математических задач с пошаговыми рассуждениями. Модель предназначена для генерации ответов в диалоге и решения задач, где полезно последовательное рассуждение, в частности математических задач. Она принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. README описывает небольшую обучающую выборку и 100 шагов оптимизации, поэтому качество и надёжность ответов могут быть непостоянными, а приведённые в карточке примеры содержат ошибочные рассуждения. Лицензия — Llama 3.2; условия использования определяются её лицензией.

OpenMed разработала OpenMed-NER-OrganismDetect-BigMed-560M — специализированную модель распознавания упоминаний видов организмов в биомедицинских текстах. Она выполняет разметку токенов в формате BIO, присваивая сущностям метки B-SPECIES и I-SPECIES. Модель основана на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров и принимает токенизированный текст; длина контекста — 514 токенов. Модель предназначена для извлечения научных и распространённых названий видов из научных публикаций, медицинских документов и других текстов. Обучение проводилось на корпусе SPECIES800, содержащем 800 аннотированных абстрактов. В README приведены F1 0,78, точность 0,75 и полнота 0,81; практическое качество зависит от текста и предметной области. В задачах с лекарствами и клиническими данными модель следует применять только для распознавания видов: карточка не подтверждает распознавание препаратов или лекарственных взаимодействий. Лицензия — Apache-2.0.

OpenMed-NER-OrganismDetect-SuperClinical-434M — модель OpenMed для распознавания упоминаний видов организмов в тексте. Она выполняет разметку токенов BIO-тегами B-SPECIES и I-SPECIES, охватывая научные и обиходные названия видов. Модель дообучена на корпусе SPECIES800 и предназначена для анализа биомедицинских текстов, научных публикаций и клинических документов. Модель построена на архитектуре DeBERTa и содержит около 533,8 млн параметров; в README указана базовая архитектура deberta-v3-large. Длина контекста — 512 токенов. README сообщает F1 0,84, точность 0,83 и полноту 0,86 на SPECIES800. Она принимает токенизированный текст и возвращает метки сущностей, интегрируется с Transformers. Поддерживаемый язык по карточке — английский. Репозиторий распространяется в формате safetensors по лицензии Apache-2.0. Оценка на SPECIES800 не гарантирует те же результаты на других типах документов; модель специализирована на сущностях видов организмов.

quinex-statement-clf-v0-125M — англоязычный классификатор количественных утверждений, разработанный JuelichSystemsAnalysis на основе RoBERTa-base и дообученный для отнесения таких утверждений к разным типам. Он предназначен для извлечения количественной информации из текста: на вход подаётся текст с интересующей количественной формулировкой, выделенной маркерами 🍏...🍏, а на выходе — класс утверждения. Модель использует архитектуру RoBERTa для классификации последовательностей, содержит 151,8 млн параметров по метаданным и поддерживает контекст до 514 токенов. В README авторы указывают обучение на 247 примерах, преимущественно из текстов о водороде, и F1 68,6 на dev-наборе; это тестовый плейсхолдер, который, по предупреждению авторов, плохо обобщается и не подходит для надёжных предсказаний. Лицензия — MIT.

Qwen2.5-Math-7B-PRM800K — процессная reward-модель, разработанная командой Qwen на базе Qwen2.5-Math-7B-Instruct и дообученная на обучающей части открытого датасета PRM800K. Она оценивает качество математического решения по шагам: для каждого промежуточного шага модель выдаёт оценку вероятности положительной метки, которую можно использовать как награду при проверке рассуждений или выборе решения. Модель предназначена для воспроизведения базового эксперимента ProcessBench, а не для генерации ответов. Модель построена на плотной архитектуре Qwen2, содержит 7,1 млрд параметров и работает с текстом на английском и китайском языках; длина контекста — 4096 токенов. Для разделения шагов рекомендуется использовать двойной перевод строки, а оценка извлекается для специального токена после каждого шага. Модель распространяется в формате safetensors; в карточке указана лицензия other.

zheng95z/rgb-to-x — модель на основе диффузии, опубликованная пользователем zheng95z на Hugging Face и совместимая с StableDiffusionAOVMatEstPipeline. Она предназначена для преобразования входного RGB-изображения в карты свойств поверхности и освещения (AOV), например albedo, normal, roughness, metallic и irradiance. Пример использования из карточки Hugging Face показывает генерацию изображения по текстовому запросу, а связанные примеры применения передают модели фотографию и запрашивают определённую AOV-карту. Модель распространяется в формате Diffusers с весами Safetensors. В доступных источниках не приведены надёжные сведения о точном размере архитектуры, обучающих данных или поддерживаемых языках. Лицензия в просмотренных сведениях не установлена.

SurGe — модель для восстановления трёхмерной геометрии сцены по изображению. Она разработана как метод прямого прохода: предсказывает карты точек и оценивает глобальную 3D-геометрию. В архитектуре используется декодер Neighborhood Attention Decoder (NAD), который постепенно увеличивает разрешение признаков и применяет Neighborhood Attention для локального смешивания информации; обучение включает функцию потерь сопоставления градиентов точек для повышения точности локальной геометрии поверхности. Модель принимает RGB-изображения в формате BCHW со значениями пикселей от 0 до 1 без нормализации ImageNet. В метаданных указано дообучение facebook/dinov2-large и формат весов safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. Карточка не сообщает размер модели, поддерживаемые языки или длину контекста; текстовый ввод не предусмотрен.

Модель ViT-Base с патчами 8×8 и входным разрешением 224×224 обучена на наборе BigEarthNet v2.0 (reBEN) для классификации спутниковых снимков Sentinel-2 по мультиспектральным каналам. Её разработали участники групп TU Berlin, RSiM, DIMA, BigEarth и BIFOLD; опубликованные веса получены после 7 эпох обучения, а обучение предусматривало раннюю остановку по макроусреднённой средней точности на валидации. Модель предназначена для тематической классификации изображений дистанционного зондирования Земли. На тестовой выборке BigEarthNet v2.0 указаны macro/micro Average Precision 0,641/0,807 и F1 0,552/0,711. Карточка демонстрирует использование через библиотеку reben_publication. Лицензия — MIT.

QizhiPei/biot5-plus-large — модель семейства BioT5+, опубликованная пользователем QizhiPei на Hugging Face. Это плотная модель T5 с архитектурой T5ForConditionalGeneration и 388,2 млн параметров; веса доступны в форматах PyTorch и safetensors. Карточка показывает загрузку через Transformers для генерации текста по текстовому запросу. Название указывает на биомедицинскую специализацию, однако README не описывает конкретные возможности, обучающие данные или целевые сценарии BioT5+. Метаданные указывают английский язык и тег text2text-generation. Модель распространяется по лицензии MIT.

ClimateBERT distilroberta-base-climate-f — языковая модель семейства RoBERTa, разработанная на основе DistilRoBERTa и дополнительно предобученная на климатических текстах. В корпус вошли аннотации научных публикаций о климате, корпоративные и общие новости, а также отчёты компаний; в обновлённой версии использовано более двух миллионов абзацев. Вариант climate-f основан на стратегии отбора данных FULL-SELECT. Модель предназначена для заполнения пропусков в тексте и языковых задач в климатической тематике. Её можно применять для анализа и адаптации текстов о климате, например научных аннотаций, новостей и корпоративных отчётов. Модель содержит 95,4 млн параметров, принимает текстовые входные данные с контекстом до 514 токенов и поддерживает английский язык. Модель распространяется под лицензией Apache-2.0. Её специализация на климатических текстах может ограничивать качество на других темах; README рекомендует вариант FULL-SELECT по сравнению с моделями на других стратегиях отбора данных.

MiewID-msv3 — модель извлечения визуальных признаков для повторной идентификации отдельных животных по фотографиям. Она разработана для сопоставления изображений с образцами известных особей в базе данных и может также использоваться для классификации видов поиском по сходству. Модель обучена контрастивным обучением на наборе данных высокого качества, охватывающем 64 вида наземных и водных животных; среди различаемых признаков — плавники, хвостовые плавники, бока и лица. Архитектура модели — MiewIdNet, около 51,11 млн параметров. Для извлечения признаков используются изображения размером 440 × 440 пикселей; веса опубликованы в формате safetensors. В README приведены результаты оценки на нескольких группах видов, включая амурских тигров и китов. Для применения нужны фотографии животных и база образцов для сопоставления. Точность может различаться между видами и наборами данных; опубликованные результаты для отдельных групп заметно отличаются. Сведения о лицензии в предоставленных источниках отсутствуют.

OpenMed-NER-OrganismDetect-ElectraMed-109M — модель OpenMed для распознавания упоминаний организмов и видов в тексте. Это трансформерная модель для классификации токенов на основе архитектуры BERT с 136,7 млн параметров; она размечает фрагменты тегами B-SPECIES и I-SPECIES. Модель дообучена на корпусе SPECIES800, содержащем научные и обиходные названия видов в биомедицинских аннотациях. Она принимает токенизированный текст и выдаёт BIO-разметку сущностей; максимальная длина контекста — 512 токенов. Модель предназначена для извлечения названий видов из биомедицинской литературы и других профильных текстов, в том числе для таксономического анализа, поиска упоминаний организмов и построения баз знаний о биоразнообразии. В README приведены F1 0,75, точность 0,74 и полнота 0,77 на SPECIES800. Эти показатели относятся к указанному корпусу и не гарантируют качество на клинических записях или текстах других областей. Доступна в формате safetensors, совместима с Transformers и распространяется по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Organism-Tiny-60M — специализированная модель OpenMed для распознавания упоминаний видов организмов в научных и биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе SPECIES800; размер модели — около 60 млн параметров. Модель принимает текст и возвращает найденные упоминания сущностей с метками, прежде всего SPECIES. Zero-shot-подход позволяет задавать типы сущностей при извлечении без отдельного дообучения, хотя карточка описывает обучение именно для распознавания видов. Модель подходит для разметки названий видов в научной литературе, экологических исследованиях и задачах биокурации, включая работу с научными и общеупотребительными названиями. В карточке приведён F1 0,57 на тестовой выборке SPECIES800, не использованной при обучении; заявленное улучшение относительно базовой модели составляет 19,6%. Это указывает на ограничения точности и необходимость проверки результатов в целевом корпусе. Лицензия — Apache-2.0.

Модель разработана Тергель Мункхбатом и соавторами из KAIST AI. Это дообученная версия Qwen/Qwen2.5-Math-1.5B-Instruct с 1,5 млрд параметров, предназначенная для генерации кратких цепочек рассуждений при решении задач. Модель использует архитектуру Qwen2ForCausalLM и работает с текстом; в карточке заявлен английский язык. Нативная длина контекста — 4096 токенов. Модель подходит для математических задач и сценариев, где нужны сжатые объяснения решения при сохранении точности. Она распространяется в формате safetensors через Transformers по лицензии MIT. Карточка не приводит результатов оценки точности и подробных ограничений; качество кратких рассуждений для конкретных задач следует проверять отдельно.

Это модель семантической сегментации изображений на базе SegFormer-B3, разработанная как дообучение модели NVIDIA nvidia/segformer-b3-finetuned-ade-512-512 на наборе peldrak/coastTrain_512-512. Она предназначена для разметки изображений побережья по классам «вода», «прибой», «осадочные породы», «прочий природный рельеф», «растительность», «застройка» и «неизвестно». На оценочном наборе указаны mIoU 0,7092 и общая точность 0,8790; результаты заметно различаются между классами, особенно ниже для прочего природного рельефа (IoU 0,4259). Модель опубликована в формате safetensors; лицензия указана как other.

SU-01 — компактная модель рассуждений для решения математических и научных олимпиадных задач, представленная в статье Achieving Gold-Medal-Level Olympiad Reasoning via Simple and Unified Scaling. Карточка описывает её как модель класса 30B-A3B на архитектуре Qwen3 MoE; в метаданных указано 2,6 млрд параметров и контекст до 262 144 токенов. Модель принимает текстовые условия и генерирует текстовые решения и доказательства на естественном языке. Обучение включает дообучение на траекториях рассуждений и двухэтапное обучение с подкреплением. Для сложных задач README также описывает режим масштабирования вывода: модель последовательно генерирует решение, проверяет его, находит ошибки и уточняет доказательство. По данным карточки, в этом режиме SU-01 набрала 35 баллов на IMO 2025 и USAMO 2026; это результаты, заявленные авторами модели. Модель предназначена для олимпиадной математики и научных задач, в частности физики, химии и биологии. Она не полагается на внешний запуск кода или специализированные символьные решатели. Весовые файлы опубликованы в формате safetensors, библиотека запуска — Transformers, лицензия — Apache-2.0. Длинные траектории рассуждений требуют значительного бюджета вывода; приведённые в README результаты масштабирования тестового времени зависят от отдельного многошагового цикла генерации и проверки.

THOR-1.0-large — геопространственная фундаментальная модель, разработанная Норвежским вычислительным центром (NR), Университетом Тромсё и ESA Φ-lab. Это версия THOR на архитектуре Vision Transformer FlexiViT, предназначенная для извлечения признаков из спутниковых наблюдений и дообучения под прикладные задачи дистанционного зондирования Земли. Модель объединяет данные Sentinel-1 (SAR), Sentinel-2 (MSI) и Sentinel-3 (OLCI и SLSTR), сохраняя их исходное пространственное разрешение от 10 до 1000 м. Благодаря обучению со случайным выбором размера патчей и входных изображений THOR можно запускать с разными размерами патчей, регулируя вычислительные затраты и детализацию признаков без повторного обучения. Карточка сообщает о конкурентных результатах на бенчмарке PANGAEA, особенно при ограниченном объёме обучающих данных. Модель подходит для дообучения для классификации земного покрова, картирования сельскохозяйственных культур и обнаружения наводнений. Она также может служить основой для других геопространственных задач. Репозиторий использует библиотеку TerraTorch и формат PyTorch; лицензия — Apache-2.0. В README нет размера параметров модели и сведений о языках, а её назначение связано со спутниковыми изображениями, а не с естественным языком.

AstroLLaMA-3-8B-Chat_AIC — чат-модель команды AstroMLab для диалогов и выполнения инструкций по астрономии. Она дообучена методом supervised fine-tuning на базе AstroLLaMA-3-8B-Base_AIC, которая основана на LLaMA 3 8B и обучалась на материалах статей arXiv по астрофизике. В модели около 7,5 млрд параметров, архитектура — плотная LLaMA; заявленный контекст — 8192 токена. Репозиторий содержит веса Safetensors, лицензия — MIT. Модель предназначена для ответов на вопросы об астрономии и общения на научные темы в формате чата. Для SFT использовали 10 356 астрономических диалогов, созданных по аннотациям arXiv, а также данные LIMA, Open Orca и UltraChat. Карточка предупреждает, что ограниченный и частично общецелевой набор дообучения может ухудшать специализированные ответы: приведённый instruct score составляет 61,8% против 71,9% у базовой модели. Результаты следует проверять по научным источникам; модель выпущена прежде всего для воспроизводимости и сравнения исследовательских итераций.

CosmicNoodle-7B — экспериментальная текстовая генеративная модель на архитектуре Mistral, опубликованная aloobun. В README описан перенос математических навыков: разность весов между meta-math/MetaMath-Mistral-7B и mistralai/Mistral-7B-v0.1 прибавляется к весам lex-hue/Delexa-7b. В результате модель предназначена для диалогового общения и решения математических задач на английском языке. Модель содержит 7,1 млрд параметров, принимает текст и поддерживает контекст до 32 768 токенов. Это экспериментальная работа с переносом навыков через разность весов; README не приводит результатов оценки, поэтому качество математических ответов нельзя считать подтверждённым. Модель распространяется под лицензией Apache-2.0.

Eule — экспериментальная модель kaleinaNyan, созданная как попытка воспроизвести пошаговый стиль рассуждений OpenAI o1. Это дообученная плотная причинная языковая модель Qwen2.5-7B-Instruct с 7,1 млрд параметров и контекстом 32 768 токенов. Она принимает текст и генерирует текст; в карточке указаны английский и русский языки, а обучение сосредоточено на математических данных и включает рассуждения на русском языке. Модель предназначена для решения математических задач и других задач, где полезно пошаговое рассуждение, например загадок. По описанию автора, она иногда проверяет решения и меняет подход после ошибки, но качество не превосходит исходную instruct-модель, а результаты бенчмарков не представлены. Финальный ответ может быть на английском, а отсутствие ожидаемого маркера иногда нарушает разбор вывода. Лицензия — Apache-2.0.

Gemma-4-E2B-IT-SFT-RLVR-Medical-GGUF — квантованная версия модели Gemma-4-E2B-it, дообученной Lukas Drews на наборе PubMedQA с применением supervised fine-tuning (SFT) и reinforcement learning with verifiable rewards (RLVR). Это текстовая causal language model примерно на 2 млрд параметров, предназначенная для генерации ответов на вопросы по медицине и биомедицине, включая сценарии клинического NLP, анализ научной литературы и ответы на вопросы в стиле PubMedQA. Указан английский язык; другие языки и поддержка мультимодальных входов не заявлены. Модель распространяется в формате GGUF и рассчитана на запуск через llama.cpp. Для доступного варианта Q4_K_M указаны результаты 71,80% на PubMedQA и 38,88% на MedQA-USMLE в режиме zero-shot transfer; более высокие варианты квантования показывают до 72,40% и 43,00% соответственно, а исходная не­квантованная модель — 73,10% и 43,05%. Квантование снижает требования к ресурсам, но может немного ухудшать качество, особенно при более агрессивных настройках. Размер контекста, точные требования к памяти и дополнительные ограничения медицинского применения в README не указаны. Лицензия — Apache-2.0.

Git-RSCLIP — большая модель сопоставления изображений и текстов для данных дистанционного зондирования Земли, разработанная авторами проекта Git-RSCLIP. Она дообучена на 10 миллионах пар изображение–текст из набора Git-10M и использует архитектуру, подобную Google SigLIP Large Patch16-256. Модель предназначена для извлечения признаков изображений, классификации изображений без дополнительного обучения и поиска соответствий между изображениями и текстовыми описаниями. Модель принимает RGB-изображения, приводимые к размеру 256×256, и текстовые описания, токенизируемые до 64 токенов; на выходе формирует признаки для сопоставления изображений и текста. Она специализирована на снимках дистанционного зондирования, поэтому её применение вне этой области может быть ограничено. Репозиторий распространяется под лицензией Apache-2.0.

ISRO-SpaceAI-7B-Instruct-i1-GGUF — это квантованная версия инструкционной языковой модели ISRO-SpaceAI-7B-Instruct, разработанной Anoopsingh53 и преобразованной в формат GGUF пользователем mradermacher. Модель ориентирована на генерацию текста и работу с запросами в области космических исследований, астрономии, астрофизики, космологии, гелиофизики, океанографии и дистанционного зондирования Земли. Модель имеет размер 7B параметров и поддерживает английский и хинди. В обучающих данных указаны наборы UniverseTBD/arxiv-qa-astro-ph и Anoopsingh53/isro-space-ocean-dataset; среди тематических направлений также упоминаются миссии ISRO и NASA, Aditya-L1, Chandrayaan-3, Oceansat-3, спутниковые радары, SAR, наводнения, экзопланеты и Kepler. Доступны различные варианты квантования размером примерно от 2,0 до 6,4 ГБ, что позволяет выбирать между экономией памяти, скоростью и качеством; рекомендуемыми в README названы i1-Q4_K_M и i1-Q4_K_S. Сильной стороной модели является специализированная направленность на космическую и геонаучную тематику, а также возможность локального запуска благодаря GGUF-квантованиям. Ограничения включают потенциальное снижение качества у низкобитных вариантов, причём README отдельно отмечает низкое качество некоторых конфигураций. Архитектура, размер контекстного окна и мультимодальные возможности не указаны; по представленным данным модель предназначена для работы с текстом. Лицензия — Apache-2.0.

LFM2.5-1.2B-Distilled-SFT — компактная языковая модель Convergent Intelligence LLC, созданная на базе liquid/LFM2.5-1.2B-Instruct. Это плотная гибридная архитектура LFM2.5, сочетающая SSM и attention; по метаданным содержит 1,5 млрд параметров и поддерживает контекст до 128 000 токенов. Модель прошла дистилляцию знаний от LFM2-24B-A2B на задачах STEM и дообучение с учителем на примерах логического вывода. Модель предназначена для генерации текста с пошаговыми решениями математических и естественно-научных задач, логического вывода и диалоговых сценариев. В карточке заявлены применение на устройствах и периферийных системах с ограниченными ресурсами и высокая скорость инференса на процессорах AMD; также указано, что модель лучше справляется с шаблонами пропозициональной логики из обучающих данных. К ограничениям относятся небольшой размер модели, ограниченная способность к сложным доказательствам и вложенным кванторам, а также необходимость проверять ответы. README предостерегает от использования для формальной верификации доказательств и критически важных систем и указывает ограничение в 1024 токена для длинного контекста, что расходится с контекстом 128 000 токенов в метаданных. Лицензия — Apache-2.0.

RLHFlow/Llama3.1-8B-PRM-Mistral-Data — процессно-ориентированная reward-модель (PRM) проекта RLHFlow, предназначенная для оценки промежуточных шагов в решениях задач и отбора ответов, сгенерированных языковой моделью. Она дообучена на один эпохе на данных RLHFlow/Mistral-PRM-Data, созданных Mistral, на базе meta-llama/Llama-3.1-8B-Instruct. Модель использует плотную архитектуру LlamaForCausalLM, содержит 7,5 млрд параметров и работает с контекстом до 131 072 токенов; веса опубликованы в формате safetensors для Transformers. Сценарии применения включают оценивание цепочек рассуждений и best-of-N отбор кандидатов при генерации математических ответов. В README приведены результаты сравнительной оценки с генераторами Mistral-7B и Deepseek-7B на GSM8K и MATH, однако это не означает, что модель сама генерирует ответы или что приведённые показатели являются её отдельными метриками. Лицензия в предоставленных данных не указана.

yanggangu/Llama-3.2-1B-Instruct-FT-ScienceQA — дообученная диалоговая языковая модель на базе meta-llama/Llama-3.2-1B-Instruct. Это экспертная модель для ScienceQA из таблицы 1 работы SMAT: Simple and Efficient Merge-Aware Training; обучение выполнено с seed 42. SMAT нацелен на сохранение качества экспертов при последующем слиянии моделей. Модель содержит 1,2 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Она принимает текст и генерирует текст; основной сценарий — ответы на вопросы в формате ScienceQA. Лицензия и политика допустимого использования Llama 3.2 распространяются на модель.

Medisight — текстовая генеративная модель на архитектуре Mistral, созданная слиянием SLERP двух моделей: BioMistral-7B и CorticalStack/pastiche-crown-clown-7b-dare-dpo. Разработчик объединил их веса с помощью mergekit; репозиторий содержит веса в формате safetensors. Модель насчитывает 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста. В составе слияния есть BioMistral-7B, дообученная на биомедицинских текстах для ответов на медицинские и биологические вопросы, поэтому Medisight может быть полезна для таких запросов. Метаданные указывают задачу text-generation и возможность чата. Слияние моделей не гарантирует сохранения или улучшения медицинской точности; ответы следует проверять, особенно перед применением в клинических решениях. Лицензия в предоставленных данных не указана.

Meridian-AC-Nano — компактная модель для вычитки и улучшения академических текстов, разработанная COGERPHERE AI Labs в рамках исследовательской программы MERIDIAN 0.1. Это дообученная на базе Qwen/Qwen3-0.6B причинная языковая модель с архитектурой Qwen3, примерно 508 млн параметров по метаданным и контекстом до 40 960 токенов. Модель работает с текстом и использует шаблон диалога ChatML. Она предназначена для исправления грамматики, орфографии и пунктуации, правки LaTeX, улучшения академического стиля и сдержанного редактирования с сохранением смысла. Обучающий корпус также включал диалоги, код и следование инструкциям, но модель ориентирована на академическую вычитку, а не на общие диалоги или программирование. В README приведены оценки на небольшом тестовом наборе из 162 примеров; эти результаты не гарантируют качество на других данных. Модель небольшая, поэтому качество открытых диалогов и знания о фактах ограничены; её работа вне академического текста и LaTeX не оценивалась. Она не предназначена для медицинских, юридических или финансовых рекомендаций. Лицензия — Apache-2.0.

Minc-Materials-23 — модель классификации изображений материалов, разработанная PrithivMLmods на основе google/siglip2-base-patch16-224 и дообученная с архитектурой SiglipForImageClassification. Она относит изображение к одному из 23 классов, включая кирпич, ткань, стекло, кожу, металл, камень, пластик, воду и дерево. Модель предназначена для распознавания материалов на фотографиях в задачах строительства и архитектуры, розничной торговли и учёта товаров, робототехники, экологического мониторинга, обучения и исследований. Использует визуальные признаки изображения; репозиторий содержит веса в формате safetensors и предназначен для работы с Transformers. Лицензия — Apache-2.0. Классификация ограничена заданными 23 категориями, поэтому неизвестные или неоднозначные материалы могут получать общий класс «other» либо ошибочную метку; качество для конкретных сценариев README не характеризует.