IV.6Научные исследования, математика и новые материалы

PixVL-model3-dpo-step100000 — полный экспорт модели PixVL, созданный разработчиками PixVL и опубликованный как чекпойнт после 100 000 шагов DPO. Модель основана на Qwen3-VL-4B-SAMTok и использует архитектуру Qwen3-VL для условной генерации. Модель предназначена для сегментации изображений. По архитектуре она принимает изображение и текстовое условие и формирует текстовый ответ с результатом сегментации; карточка не описывает формат масок или конкретные сценарии применения. Репозиторий содержит веса в формате safetensors и рассчитан на библиотеку Transformers. Автор README обозначает выпуск как исследовательский и указывает, что модель наследует лицензию и ограничения использования базовой модели; метаданные указывают лицензию MIT. Данных о размере контекста и поддерживаемых естественных языках в предоставленных источниках нет.

Prepared-Llama — базовая языковая модель семейства Llama, опубликованная авторами проекта PreparedLLM. Согласно карточке модели, она прошла продолжающее предварительное обучение на небольшом объёме геонаучных данных; авторы рекомендуют для практического использования JiuZhou. Модель содержит 6,7 млрд параметров, использует плотную архитектуру LlamaForCausalLM и принимает текст для генерации текста. Контекстное окно — 2048 токенов. Модель предназначена для генерации текста с геонаучными знаниями и может служить отправной точкой для дальнейшей настройки языковых моделей под геонаучные задачи. Метаданные указывают возможность диалогового применения, однако README не приводит подробных результатов или отдельных инструкций для этой версии. Лицензия в предоставленных данных не указана.

jaygala24/Qwen3-1.7B-GRPO-KL-math-reasoning — дообученная модель Qwen3-1.7B от jaygala24, предназначенная для генерации текста с пошаговыми рассуждениями при решении математических задач. Обучение методом GRPO с KL-штрафом проводилось с помощью PipelineRL на наборах GSM8K и MATH; модель имеет архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и использует формат safetensors. Нативная длина контекста — 40 960 токенов. Модель подходит для решения арифметических задач и задач математических тестов, а также для диалогового взаимодействия на эту тему. В карточке приведены результаты pass@k на GSM8K и MATH-500 при генерации 32 вариантов ответа на задачу. Модель распространяется по лицензии Apache-2.0. Эти результаты относятся к указанным тестам и настройкам генерации и не гарантируют точность на других задачах; модель унаследовала общие ограничения базовой языковой модели.

SciJudge-4B — языковая модель OpenMOSS-Team, дообученная на базе Qwen/Qwen3-4B-Instruct-2507 для оценки научных публикаций. Получая названия, аннотации и даты публикации двух статей, она предсказывает, какая из них окажет большее цитатное влияние. Модель использует плотную архитектуру Qwen3 и содержит 3,7 млрд параметров. Она рассчитана на текстовый диалоговый ввод и генерацию ответа, поддерживает английский язык и контекст до 262 144 токенов. Для обучения использован набор SciJudgeBench; работа входит в проект AI Can Learn Scientific Taste. SciJudge-4B подходит для сравнительного ранжирования научных статей по ожидаемому цитатному влиянию и экспериментов с автоматизированной оценкой научного вклада. Результат является прогнозом модели и не заменяет экспертную рецензию; доступна более новая версия SciJudge-4B-2605. Лицензия — Apache-2.0.

Модель peldrak/segformer-b4-ade-finetuned-coastTrain — сегментатор изображений на архитектуре SegFormer B4, разработанный пользователем peldrak и дообученный на наборе данных peldrak/coastTrain поверх nvidia/segformer-b4-finetuned-ade-512-512. Она предназначена для семантической сегментации прибрежных сцен: каждому пикселю присваивается класс воды, белой пены прибоя, осадка, другого природного рельефа, растительности, застройки или неизвестной области. На оценочной выборке указаны mean IoU 0,7615 и общая точность 0,9286. Результаты неоднородны: IoU для воды составляет 0,9253, а для белой пены — 0,4607, поэтому распознавание пены заметно слабее. Модель принимает изображения и выдаёт карту семантических классов. Лицензия указана как other; конкретные условия использования следует сверить с репозиторием модели и базовой модели.

ShapeR — модель для метрической реконструкции 3D-форм объектов по последовательности изображений. Она использует потоковую трансформерную архитектуру, которая работает с латентными представлениями VecSet и объединяет изображения, разреженные метрические точки SLAM, позы камер и текстовые описания. Полученный код формы декодируется в сетку объекта; применение модели к каждому обнаруженному объекту позволяет собрать реконструкцию сцены. Для запуска требуется заранее подготовить данные через конвейер Aria MPS и детектор экземпляров объектов. Доступны режимы с разным компромиссом между скоростью и качеством; результат сохраняется как 3D-сетка GLB и визуализация сравнения. Модель опубликована Meta под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование.

BioHermes-7B-slerp — слитая модель на основе Mistral, созданная объединением BioMistral-7B-SLERP и NeuralHermes-2.5-Mistral-7B методом SLERP с помощью LazyMergekit. Модель содержит 7,1 млрд параметров и предназначена для диалоговой генерации текста, в том числе для ответов на вопросы по биомедицинским темам. Модель принимает текст и генерирует текст; заявленная длина контекста — 32 768 токенов. В карточке не указаны поддерживаемые естественные языки и лицензия, поэтому их нельзя определить по имеющимся данным. Качество ответов, особенно в медицинских сценариях, следует проверять; модель не следует считать заменой профессиональной медицинской консультации.

Kukedlc/LLama-3-8b-Maths — языковая модель семейства Llama для генерации текста и решения математических задач. Разработчик — Kukedlc; модель дообучена на базе Kukedlc/LLama-3-8b-Python с использованием набора Microsoft Orca Math Word Problems 200k. Архитектура — плотная LlamaForCausalLM, размер — 7,5 млрд параметров, контекст — до 8192 токенов. Модель рассчитана на диалоговое применение и в карточке заявлена для английского языка. Её можно использовать для решения математических текстовых задач и генерации пояснений к ответам. Метаданные указывают на Apache-2.0, тогда как README сообщает лицензию other; лицензионный статус требует проверки перед использованием. README содержит противоречивую ссылку на исходную модель, поэтому базовая модель определена по метаданным.

MAmmoTH-7B-Mistral — языковая модель семейства Mistral, разработанная TIGER-Lab и дообученная для решения математических задач общего назначения. Модель содержит 7,1 млрд параметров, принимает текст и рассчитана на контекст до 32 768 токенов. Обучение проведено на наборе MathInstruct, объединяющем 13 наборов данных с математическими обоснованиями. Модель формирует решения с пошаговым рассуждением (CoT) и программным рассуждением (PoT); её можно применять в образовательном ПО, системах репетиторства и для получения решений математических задач. В карточке описана оценка на наборах GSM, MATH и MMLU-Math. Качество может снижаться на сложных или специфических задачах, а охват математических областей неполон. Лицензия модели — MIT.

mCoT — многоязычная модель генерации текста на 7,1 млрд параметров, разработанная для математических рассуждений. Она основана на Mistral-7B-v0.1 и дообучена на наборе mCoT-MATH, содержащем около 6,3 млн примеров цепочек рассуждений на 11 языках. Модель предназначена для решения математических текстовых задач с пошаговым обоснованием и сохранения согласованности рассуждений между языками. Модель использует плотную архитектуру Mistral и принимает текстовые запросы, выдавая текстовые решения. Нативная длина контекста — 32 768 токенов. Карточка сообщает результаты на MGSM и MSVAMP; перечисленные в метаданных языки охватывают суахили, бенгальский, телугу, тайский, японский, китайский, русский, испанский, французский, немецкий и английский. Распространяется в формате safetensors по лицензии Apache-2.0.

MetaMath-Llemma-7B — языковая модель на архитектуре Llama, разработанная командой MetaMath и полностью дообученная на наборе MetaMathQA поверх Llemma-7B. Модель предназначена для генерации ответов и пошаговых решений математических задач; в карточке приведены результаты на GSM8K и MATH, включая улучшение результата на MATH с 19,8 до 30,0 после замены базы на Llemma-7B. Модель содержит 6,6 млрд параметров, принимает текст и выдаёт текст, работает с контекстом до 4096 токенов. Данные MetaMathQA дополнены из обучающих частей GSM8K и MATH; авторы указывают, что тестовые части не использовались при дополнении данных. Доступна в формате PyTorch и распространяется по лицензии Apache-2.0.

Модель madhav512/nppe3-swin2sr-lowlight-denoise — дообученная модель Swin2SR на основе предварительно обученного чекпойнта caidas/swin2SR-realworld-sr-x4-64-bsrgan-psnr. Она предназначена для улучшения изображений при слабом освещении: подавляет шум и восстанавливает изображение с увеличением разрешения в 4 раза. Архитектура использует Swin Transformer V2; указаны размер окна 8, размер эмбеддинга 180, шесть блоков глубиной по 6 слоёв и по 6 голов внимания. Модель доступна через Transformers и сохраняет веса в формате safetensors. В README приведён показатель PSNR 39,4857 дБ на валидации и описана функция потерь Charbonnier с сохранением границ. Модель принимает RGB-изображения и выдаёт восстановленное изображение. Карточка указывает английский язык, однако задача обработки изображений не зависит от естественного языка. Лицензия и ограничения применения в предоставленных данных не приведены.

OpenMed-ZeroShot-NER-Disease-Large-459M — модель OpenMed для распознавания упоминаний заболеваний и патологических состояний в биомедицинском тексте. Она построена на архитектуре GLiNER и дообучена на наборе BC5CDR-Disease, содержащем аннотации заболеваний в аннотациях PubMed. Основная задача модели — извлекать текстовые фрагменты и присваивать им метку сущности, в первую очередь DISEASE; автор также заявляет возможность задавать пользовательские типы сущностей без дополнительного обучения. Модель предназначена для разметки биомедицинской литературы и клинических текстов, индексации заболеваний, фенотипирования пациентов и сбора клинических свидетельств. В README приведён показатель F1 около 0,90 на тестовом наборе BC5CDR-Disease, не использовавшемся при обучении. Модель принимает текст и выдаёт найденные сущности с метками. В метаданных указаны английский язык и библиотека PyTorch; лицензия — Apache-2.0. Результаты для пользовательских типов сущностей могут зависеть от выбранного порога, а заявленные возможности не гарантируют одинаковую точность для всех типов текста и сущностей.

Open-RS3 — языковая модель на 1,5 млрд параметров, разработанная knoveleng для улучшения математических рассуждений с помощью обучения с подкреплением. Она дообучена на базе DeepSeek-R1-Distill-Qwen-1.5B и использует архитектуру Qwen2 для генерации текста. Модель предназначена для решения математических задач, включая задачи олимпиадного уровня; в README также указаны результаты на наборах AMC23, AIME24 и MATH-500. Для модели заявлен контекст длиной до 131 072 токенов. В README сообщается о результатах 80% на AMC23 и 46,7% на AIME24, а также о более слабом результате на Minerva по сравнению с моделями на 7 млрд параметров. Эти показатели приведены разработчиком и не являются независимой оценкой. Модель распространяется по лицензии MIT.

lucylq/qwen3_06B_lora_math — LoRA-адаптер для модели unsloth/Qwen3-0.6B, дообученный на датасете MetaMathQA с использованием Unsloth, PEFT и SFT. Модель предназначена для генерации текста с акцентом на математические задачи и служит также для тестирования возможностей ExecuTorch при работе с LoRA. Модель основана на Qwen3 с размером 0,6 млрд параметров. Указана текстовая модальность и поддержка сценариев text-generation; язык и размер контекстного окна в карточке не уточняются. Дообучение выполнено в течение одной эпохи, с ограничением до 50 000 примеров, в формате bf16. Для развёртывания доступны файлы базовой модели и LoRA-весов, преобразованные для XNNPACK и 8-битного квантования с использованием torchao, а также требуется отдельный Qwen tokenizer. Сильной стороной модели является компактный размер и возможность применения LoRA-адаптера в средах, поддерживающих ExecuTorch, включая сценарии с разделением базовых и адаптерных весов. Ограничения включают небольшой размер модели, отсутствие подробных сведений о качестве, языках, контекстном окне и результатах оценки. Лицензия в README не указана; условия использования следует уточнять для базовой модели, адаптера и датасета отдельно.

SeongryongJung/qwen3-4b-biology-sdpo-ema005 — контрольная точка Qwen3-4B, дообученная методом SDPO на биологических данных. Репозиторий содержит последний чекпойнт обучения global_step_100, преобразованный в формат Transformers; архитектура — плотная авторегрессионная языковая модель Qwen3ForCausalLM примерно на 3,7 млрд параметров с контекстом до 40 960 токенов. Модель предназначена для генерации текста и ответов на вопросы по биологии. В README указаны результаты валидации с выборкой из 16 ответов: итоговая метрика последнего чекпойнта составила 52,00%, а лучший результат во время обучения — 52,25% на шаге 20; лучший результат не обязательно соответствует опубликованному чекпойнту. Модель принимает и выдаёт текст. Лицензия — Apache-2.0.

Qwen3.5-4B-ChemBio — мультимодальная модель yamatazen на архитектуре Qwen3.5 с 4 млрд параметров, дообученная от MuXodious/Qwen3.5-4B-ARA-heresy. Она предназначена для диалога и анализа изображений в контексте химической и биологической безопасности; при дообучении использован датасет Chemical-Biological-Safety-Applications-Sharegpt. Модель принимает текст и изображения и генерирует текст. В карточке указаны английский язык, формат весов Safetensors и лицензия Apache-2.0. Для обучения применялись Unsloth и библиотека Hugging Face TRL.

SpatialBlock-3B-reason — мультимодальная модель для пространственных рассуждений по изображениям, представленная в рамках работы SpatialBlock. Это дообученная версия Qwen2.5-VL-3B-Instruct с архитектурой Qwen2.5-VL и 3,1 млрд параметров; модель принимает изображения и текстовые инструкции и формирует ответы на естественном языке. Она предназначена для решения синтетических задач на пространственное понимание: проекции 3D-сцен в 2D, преобразования точки зрения и объединения структур. Контекст составляет до 128 000 токенов. Модель распространяется под лицензией Apache-2.0. Чекпойнт обучен на наборе SpatialBlock-15k и рассчитан на целевые задачи пространственного анализа, а не на универсальное распознавание изображений. Качество и надёжность за пределами описанных синтетических задач в карточке не охарактеризованы.

Tulu-MathLingo-8B — плотная авторегрессионная языковая модель семейства Llama, дообученная prithivMLmods на базе allenai/Llama-3.1-Tulu-3-8B. Она предназначена для генерации ответов и решения математических текстовых задач, включая диалоговое объяснение хода решения. В README заявлена поддержка английского и языка тулу, однако метаданные подтверждают только английский. Модель содержит около 7,5 млрд параметров и имеет нативный контекст длиной до 131 072 токенов. Она обучалась на наборе microsoft/orca-math-word-problems-200k и распространяется в формате Safetensors для Transformers. Лицензия — CreativeML OpenRAIL-M. Для запуска в FP16 README рекомендует GPU с 24 ГБ видеопамяти; при необходимости предлагается распределять инференс между несколькими GPU. Заявления о мультиязычности и размере модели в README расходятся с метаданными по числу параметров и подтверждённым языкам, поэтому поддержка тулу и точный размер требуют осторожной трактовки.

vit_reg1_s14_ls_dino-v2-dist-bio — компактный энкодер изображений проекта Birder, полученный дистилляцией Bio-DINO SoViT-150M/14. Это ViT-S/14-подобная модель с 21,7 млн параметров и эмбеддингами размерности 384; она принимает изображения размером 252 × 252 пикселя. Модель предназначена для извлечения визуальных признаков из природных фотографий биоразнообразия, а также может служить backbone для обнаружения объектов. Энкодер обучен на данных, включающих изображения iNaturalist, BIOSCAN, TreeOfLife, IP102 и iWildCam, а также частный датасет Birder. Его можно применять для построения эмбеддингов, сравнения и группировки фотографий организмов, а также для передачи карт признаков в последующие модели обнаружения. В README приведены результаты линейного пробирования на iNaturalist 2021 для базовой модели Bio-DINO; эти показатели не следует напрямую считать оценкой данной дистиллированной версии. Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка отсылает к карточке модели-учителя за подробным описанием области применения и ограничений; конкретные ограничения дистиллированной версии отдельно не перечислены.

AstroLLaMA-3-8B-Chat_Summary — специализированная чат-модель команды AstroMLab для ответов на вопросы по астрономии и астрофизике. Это плотная авторегрессионная модель семейства LLaMA 3 с 7,5 млрд параметров, дообученная методом supervised fine-tuning на базе meta-llama/Llama-3-8b-hf через AstroLLaMA-3-8B-Base_Summary. Для обучения использовали диалоги по астрономии, созданные на основе аннотаций arXiv, а также примеры из LIMA, Open Orca и UltraChat. Модель предназначена для инструкционного диалога и ответов на научные вопросы в области астрономии. Её контекст составляет 8192 токена; основной язык карточки — английский. В README сообщается о конкурентных результатах на астрономическом тесте, но модель уступает базовой LLaMA-3.1-8B; авторы рекомендуют проверять научные ответы по рецензируемым источникам. Модель выпущена для воспроизводимости исследований под лицензией MIT.

Rustamshry/BioGenesis-ToT-GGUF — GGUF-представление BioGenesis-ToT, модели для генерации ответов, дообученной на базе khazarai/BioGenesis-ToT. Исходная модель основана на Qwen3-1.7B и обучена на наборе moremilk/ToT-Biology для механистических объяснений и рассуждений по биологии. В репозитории указаны веса в формате GGUF F16; модель поддерживает диалоговый режим. Модель предназначена для учебных и научных объяснений, биологического репетиторства и анализа причинно-следственных связей в биологических системах. Она генерирует структурированные объяснения и пошаговые рассуждения по темам от клеточной биологии, генетики и экологии до биоинженерии и медицины. В указанном тесте TARA_Turkish_LLM_Benchmark базовая BioGenesis-ToT показала результат 51,45 против 46,82 у Qwen3-1.7B. Модель может чрезмерно обобщать или упрощать сложные явления и не заменяет экспертную оценку в биологии. Карточка указывает лицензию Apache-2.0.

DeepScaleR-1.5B-Preview — языковая модель на 1,5 млрд параметров, разработанная Agentica и дообученная методом распределённого обучения с подкреплением на базе deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B. Она предназначена прежде всего для решения математических задач и генерации рассуждений; обучение включало задачи AIME, AMC, Omni-MATH и Still. По данным авторов, точность Pass@1 на AIME 2024 составила 43,1%, что выше указанного результата базовой модели — 28,8%. Модель использует плотную архитектуру Qwen2, поддерживает контекст до 131 072 токенов и доступна в формате safetensors для Transformers. Модель принимает текст и генерирует текст. В README описано обучение с контекстами 8K, 16K и 24K токенов; метаданные указывают максимальный контекст 131 072 токена. Она рассчитана на англоязычные математические задачи, а результаты и описание не подтверждают такое же качество для других языков или широкого круга задач. Лицензия — MIT.

Карточка модели itpossible/JiuZhou-base на Hugging Face совпадает с карточкой itpossible/JiuZhou-Instruct-v0.2, поэтому описание составлено по ней. JiuZhou-Instruct-v0.2 — диалоговая языковая модель семейства Mistral, разработанная для геонаук. Она основана на Mistral-7B-v0.1, предварительно обученной на корпусе общих текстов и материалов по геонаукам, и дообучена для следования инструкциям и многошагового диалога. Модель содержит 7,2 млрд параметров, принимает и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения инструкций, связанных с геонауками, а также для диалоговых сценариев на китайском и английском языках. В карточке описана оценка на GeoBench, C-Eval, CMMLU и MMLU. Инструкциям модель следует лучше базовой версии, однако при инструкционном дообучении часть геонаучных знаний могла быть утрачена. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

Карточка модели itpossible/JiuZhou-Instruct-v0.1 на Hugging Face совпадает с карточкой itpossible/JiuZhou-Instruct-v0.2, поэтому описание составлено по ней. JiuZhou-Instruct-v0.2 — диалоговая языковая модель семейства Mistral, разработанная для геонаук. Она основана на Mistral-7B-v0.1, предварительно обученной на корпусе общих текстов и материалов по геонаукам, и дообучена для следования инструкциям и многошагового диалога. Модель содержит 7,2 млрд параметров, принимает и генерирует текст; заявленная длина контекста — 32 768 токенов. Модель предназначена для ответов на вопросы и выполнения инструкций, связанных с геонауками, а также для диалоговых сценариев на китайском и английском языках. В карточке описана оценка на GeoBench, C-Eval, CMMLU и MMLU. Инструкциям модель следует лучше базовой версии, однако при инструкционном дообучении часть геонаучных знаний могла быть утрачена. Репозиторий содержит веса в формате safetensors. Лицензия в предоставленных данных не указана.

BayesRL представляет контрольную точку supervised fine-tuning модели Qwen2.5-Math-7B, обученную с вариационным оптимизатором IVON. Это плотная авторегрессионная модель семейства Llama с 7,5 млрд параметров, предназначенная как warm-start для последующих запусков RLVR с исследованием параметров через метод 3PO. Обучение проводилось на подмножестве SFT датасета Llama-Nemotron Post-Training Dataset. Модель загружается как обычная causal language model и генерирует текст. Базовая модель рассчитана на пошаговые решения математических задач на английском и китайском; карточка этой версии указывает английский язык. Контекстное окно составляет 131072 токена. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Это обучающая контрольная точка для экспериментов с RLVR, а не отдельная специализированная система для конечных пользователей.

Marigold Normals v1-1 — модель Bingxin Ke, Kevin Qu и соавторов для оценки нормалей поверхности по одному изображению. Она использует генеративную латентную диффузионную архитектуру и дообучена на базе stable-diffusion-2. Модель предназначена для анализа изображений без дополнительных данных о сцене и может применяться через библиотеку diffusers. На выходе модель строит карту нормалей — трёхмерные единичные векторы в экранной системе координат камеры. При ансамблировании более двух предсказаний также формируется карта неопределённости. Хотя допускается обработка изображений произвольного разрешения, для лучших результатов рекомендуется масштабировать длинную сторону примерно до 768 пикселей. Модель рассчитана на DDIM и от 1 до 50 шагов денойзинга. Лицензия — CreativeML Open RAIL++-M.

KiteFishAI/Nano-Math-1.5Bv1 — языковая модель семейства Llama от Kitefish, ориентированная на математические рассуждения, понимание символической записи и решение задач. В README заявлены базовые и средние по сложности математические задачи, пошаговые решения уравнений и текстовых задач, а также образовательные и экспериментальные сценарии. Модель имеет плотную архитектуру LlamaForCausalLM и 1,4 млрд параметров. Она принимает текст и генерирует текст; родная длина контекста — 4096 токенов. Карточка README называет выпуск ранним. Модель распространяется в формате Safetensors по лицензии Apache-2.0.

sail/Qwen2.5-Math-1.5B-Oat-Zero — языковая модель Sail дообучена на базе Qwen/Qwen2.5-Math-1.5B по минималистичному рецепту R1-Zero с алгоритмом Dr. DRPO. Для обучения использовались вопросы уровней 3–5 из набора MATH и шаблон Qwen-Math. Модель предназначена для генерации пошаговых решений и ответов на математические задачи в диалоговом формате. Модель имеет плотную архитектуру Qwen2 с 1,5 млрд параметров, принимает и генерирует текст; базовая модель рассчитана на математику на английском и китайском языках. Контекст составляет 4096 токенов. Весы доступны в формате Safetensors, лицензия — Apache-2.0. README упоминает оценку на математических бенчмарках, но в доступном тексте нет самих результатов.

Qwen2.5-Math-Distill-1.5b-Sens — текстовая причинная языковая модель на 1,5 млрд параметров, созданная слиянием Qwen2.5-Math-1.5B и DeepSeek-R1-Distill-Qwen-1.5B. Разработчик описывает метод как Sens Merging: веса объединены с помощью взвешенной по чувствительности параметров арифметики задач с отдельными коэффициентами для слоёв. Модель предназначена для генерации текста и решения математических задач на английском языке. В README приведены результаты на наборах college_math, gsm8k, math, minerva_math и olympiadbench, однако оценивались только первые 100 примеров каждого набора, поэтому они не характеризуют качество на полных тестовых выборках. Модель поддерживает чат, имеет контекст 4096 токенов и опубликована в формате Transformers safetensors. Это исследовательский чекпойнт; модель может выдавать неверные решения или чрезмерно длинные рассуждения, поэтому ответы следует проверять перед практическим использованием. Лицензия — Apache-2.0.