IV.6Научные исследования, математика и новые материалы

RobBobin/math-embed — дообученная модель эмбеддингов на базе allenai/specter2_base для семантического поиска математических документов. Она предназначена прежде всего для поиска научных статей и их фрагментов по запросам о комбинаторике, включая теорию представлений, симметрические функции и алгебраическую комбинаторику. Модель использует плотный BERT-энкодер на 137,1 млн параметров и выдаёт 768-мерные векторы; обучение с Matryoshka Representation Learning позволяет сокращать размерность до 512, 256 или 128. Метаданные указывают английский язык, библиотеку Sentence Transformers и контекст до 512 токенов; в README для обучения указана максимальная длина последовательности 256 токенов. В описанном авторами тесте поиска математических статей модель показала MRR 0,816 и NDCG@10 0,736 на 108 запросах и 4 794 фрагментах статей. Её область обучения ограничена главным образом публикациями по комбинаторике, поэтому качество поиска в других областях математики и науки может быть ниже. Модель распространяется по лицензии Apache-2.0.

OpenMed/OpenMed-ZeroShot-NER-Chemical-Large-459M — специализированная модель OpenMed для распознавания упоминаний химических веществ в биомедицинских текстах. Она построена на архитектуре GLiNER и дообучена на корпусе BC4CHEMD; заявленный размер — 459 млн параметров. Модель принимает текст и возвращает найденные фрагменты с метками сущностей, прежде всего CHEM. Zero-shot-подход позволяет задавать типы сущностей при использовании без отдельного дообучения, однако карточка подробно описывает обучение и оценку именно для химических сущностей. Модель предназначена для извлечения названий соединений, лекарств, реагентов и их синонимов из научной литературы и других биомедицинских текстов, в том числе для индексирования соединений и подготовки данных для последующего связывания с ChEBI или DrugBank. В README заявлен F1 0,9369 на тестовой выборке BC4CHEMD, исключённой из обучения. Карточка не описывает отдельную проверку на клинических записях или других типах сущностей, поэтому качество в этих сценариях не следует считать установленным. Поддерживаемый язык — английский. Модель распространяется по лицензии Apache-2.0.

OpenMed-ZeroShot-NER-Chemical-Small-166M — специализированная модель OpenMed для распознавания упоминаний химических веществ в биомедицинских текстах. Она основана на архитектуре GLiNER и дообучена на корпусе BC4CHEMD; заявленный размер — 166 млн параметров. Модель принимает текст и возвращает найденные сущности с их типами, включая малые молекулы, лекарства, реагенты и химические синонимы. Основной сценарий — извлечение химических сущностей из аннотаций и полнотекстовых научных статей для индексации соединений, поиска по фармакологической литературе и последующей привязки к ChEBI или DrugBank. Модель поддерживает zero-shot распознавание: пользователь задаёт типы сущностей при запуске, но карточка указывает только CHEM как обученный тип. Для BC4CHEMD заявлен F1 0,84; результаты зависят от порога извлечения и текста, а показатель не гарантирует такую же точность на других типах сущностей и источниках. Репозиторий содержит веса PyTorch, лицензия — Apache-2.0.,

ProTrek_650M_UniRef50_protein_encoder — версия модели ProTrek, подготовленная для работы с библиотекой Sentence Transformers. Она предназначена для получения векторных представлений белковых последовательностей и сравнения их семантической близости, например для поиска, кластеризации и извлечения признаков. Модель использует контрастивное обучение для представления белковых данных; в описанной архитектуре ProTrek также объединяет информацию о последовательностях, структуре белка и тексте. Модель основана на ESM-архитектуре и содержит около 865,1 млн параметров. Максимальная длина последовательности — 1026 токенов, размерность выходного вектора — 1024, для сравнения используется косинусное сходство. Указаны компоненты esm2_t33_650M_UR50D, foldseek_t30_150M и PubMedBERT; эта версия оформлена как Sentence Transformer для эмбеддингов и задач сходства. Лицензия — MIT. Описание не уточняет, принимает ли именно этот чекпойнт структуру белка или текст как вход наряду с последовательностью.

Qwen2.5-Math-72B-Instruct — инструктивно дообученная языковая модель семейства Qwen, разработанная командой Qwen. Это плотная авторегрессионная модель на 71,5 млрд параметров с архитектурой Qwen2 и контекстом 4096 токенов, предназначенная для решения математических задач на английском и китайском языках. Она поддерживает пошаговые рассуждения Chain-of-Thought (CoT) и интегрированное использование инструментов для рассуждений (TIR), что помогает при вычислениях, символьных преобразованиях и алгоритмических задачах. Модель рассчитана на диалог по инструкциям; авторы не рекомендуют использовать её для задач за пределами математики. Репозиторий содержит веса Safetensors для Transformers. Метаданные указывают лицензию «other», поэтому конкретные условия следует сверить с лицензией репозитория перед использованием.

QuantFactory/Qwen2.5-Math-7B-Instruct-GGUF — квантизированная версия Qwen2.5-Math-7B-Instruct, созданная QuantFactory с использованием llama.cpp на основе модели Qwen/Qwen2.5-Math-7B-Instruct от команды Qwen. Это инструкционная языковая модель для генерации текста и диалогового взаимодействия, специализированная прежде всего на решении математических задач на английском и китайском языках. Модель поддерживает рассуждения по цепочке мыслей (CoT) и Tool-integrated Reasoning (TIR), при котором естественно-языковое рассуждение сочетается с выполнением программ. TIR предназначен для повышения точности вычислений, символьных преобразований и алгоритмического рассуждения, особенно в сложных задачах, например при решении уравнений и вычислении собственных значений матриц. Размер исходной модели составляет 7B параметров; формат GGUF и квантизация ориентированы на запуск через совместимые инструменты llama.cpp, однако конкретный тип квантизации в README не указан. Сильной стороной модели является специализация на математическом рассуждении: для исходной Qwen2.5-Math-7B-Instruct заявлен результат 85,3 на бенчмарке MATH при использовании TIR. Модель не рекомендуется для общих задач, не связанных с математикой, и её возможности для других языков и модальностей не заявлены. Для оригинальной модели требуется transformers версии 4.37.0 или новее, но требования к запуску именно GGUF-версии, размер контекста и показатели производительности в README не указаны. Указана лицензия Apache-2.0.

SaProt_650M_AF2 — белковая языковая модель семейства ESM, опубликованная westlake-repl. Модель принимает последовательность белка и предсказывает замаскированные токены; также в карточке описаны получение эмбеддингов белковых последовательностей и оценка эффекта мутаций. Для анализа мутаций с использованием структуры AF2 авторы рекомендуют применять маску pLDDT. Модель содержит 865,6 млн параметров, имеет контекст до 1026 токенов и распространяется в формате PyTorch. Доступны загрузка через Transformers и файл для загрузчика ESM. Лицензия — MIT. README не приводит количественных оценок качества или подробностей о тренировочных данных.

SMILYBPE — предварительно обученная языковая модель для химических строк SMILES, разработанная Miguelangel Leon Mayuare. Это RoBERTa с 6 слоями, скрытым размером 768 и 12 головами внимания; модель содержит 66,1 млн параметров, использует BPE-токенизатор и принимает контекст до 512 токенов. Для предобучения использовались молекулы PubChem; модель предназначена для дообучения под конкретные задачи, а также может применяться для классификации соединений и прогнозирования их свойств по SMILES. Модель подходит для задач хемоинформатики, включая прогнозирование токсичности и поддержку исследований в области разработки лекарств. Она работает со строками SMILES; для SELFIES автор предлагает искать другую модель в своём репозитории. Карточка отмечает риск смещения данных, возможное переобучение и необходимость проверки на профильных наборах данных. Лицензия — MIT.

Synthyra/ANKH2_large — опубликованный Synthyra вариант полного чекпойнта ANKH2 large от ElnaggarLab, упакованный для работы с FastPLMs и Hugging Face Transformers. Это плотная encoder-decoder модель семейства T5 с 1,6 млрд параметров, принимающая аминокислотные последовательности. Для получения эмбеддингов энкодера используется AutoModel, а для задач последовательность-в-последовательность — AutoModelForSeq2SeqLM. Модель предназначена для вычислительной работы с белковыми последовательностями: извлечения представлений последовательностей и остатков, а также дообучения под задачи классификации последовательностей или отдельных остатков и генеративные задачи. Варианты классов классификации используют предобученную основу, но их новые классификационные головы изначально не обучены. Также доступен FastPLMs-вариант masked-LM, который README обозначает как расширение, а не официальную голову ANKH. Для работы требуется Transformers с загрузкой пользовательского кода через trust_remote_code=True; доступны backend внимания eager и sdpa. Указанные в README test-time training адаптерами увеличивают задержку и расход памяти, могут ухудшить результат и сами по себе не устанавливают биологическую функцию белка. Артефакты распространяются на условиях CC BY-NC-SA 4.0, предусматривающих некоммерческое использование и ShareAlike.

Ankh3-large — белковая языковая модель лаборатории ElnaggarLab, описанная в статье «Ankh3: Multi-Task Pretraining with Sequence Denoising and Completion Enhances Protein Representations». Это плотная модель архитектуры T5 на 1,6 млрд параметров, обученная на последовательностях белков из UniRef50 с двумя целями: восстановление замаскированных аминокислот и продолжение последовательности по её начальной части. Модель предназначена для извлечения векторных представлений белковых последовательностей и их последующего использования в задачах биоинформатики, включая предсказание вторичной структуры, флуоресценции, приспособленности вариантов GB1 и контактов между остатками. Многоцелевое предобучение помогает получать представления, применимые к разным свойствам белков; модель также обучена генерировать продолжение аминокислотной последовательности. Модель распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая ограничивает коммерческое использование и требует соблюдения условий атрибуции и распространения производных материалов. Она предназначена для белковых последовательностей и не является универсальной языковой моделью; качество зависит от конкретной последующей задачи и требует отдельной оценки.

AssayLLM-SFT — дообученная Genentech модель Qwen3.6-27B для планирования CRISPR-скринингов. На вход она принимает описание скрининга и список уже исследованных генов, а на выходе формирует ранжированный список из 100 символов генов HGNC, которые следует исследовать следующими. Модель предназначена для выбора кандидатов в экспериментах по геномике и биологии, в частности в цикле AssayLoop. Модель использует плотную архитектуру Qwen3.5 и формат весов safetensors; для запуска в README приведён пример с vLLM. В оценке на AssayBench-Loop вариант с SFT показал лучшие значения EF и nAUC, чем базовая Qwen3.6-27B, но уступил варианту с дополнительным обучением GRPO по ряду метрик. Качество оценивалось на конкретном бенчмарке, поэтому результаты не гарантируют аналогичную эффективность на других скринингах. Лицензия в предоставленных данных не указана.

Bert-MLM_arXiv-MP-class_arXiv — модель Sentence Transformers на архитектуре BERT, разработанная для вычисления семантического сходства коротких математических текстов. Она кодирует предложение или короткий абзац в плотный вектор размерности 768, который можно использовать для поиска похожих материалов, кластеризации и сравнения текстов. Модель создана как дополнительный ресурс к работе «On modelling similarity of short mathematical texts» для CICM'24. В основе лежит доменно-адаптированная math-similarity/Bert-MLM_arXiv с mean pooling и последующим дообучением на cosine similarity. Для обучения использовались пары заголовков и аннотаций arXiv: тексты считались похожими, если имели общий классификационный код. Метаданные указывают 136,7 млн параметров и контекст до 512 токенов; README сообщает, что по умолчанию входы длиннее 256 word pieces обрезаются. Модель принимает математический текст и выдаёт эмбеддинги; указаний на поддержку конкретного естественного языка нет. Лицензия в предоставленных данных не указана. Модель рассчитана на короткие математические тексты и может хуже подходить для общих текстов или задач, отличающихся от поиска семантического сходства; обучающий набор из карточки не включён в репозиторий.

BulkFormer-93M — фундаментальная модель BulkFormer для представления транскриптомов bulk RNA-seq, опубликованная в пяти вариантах размера; эта версия содержит 93 млн параметров. Модель разработана авторами работы Kang, Fan и соавторами и представлена в формате, совместимом с Transformers. Модель предназначена для извлечения признаков на уровне генов или экспрессии из данных bulk RNA-seq. Полученные представления можно использовать для последующего дообучения с классификационной головой, продолжения предобучения для импутации пропущенных значений и объединения с эмбеддингами ESM2. Репозиторий распространяется под лицензией MIT.

Derify/ChemBERTa-druglike — специализированная модель ChemBERTa, разработанная Derify на основе архитектуры RoBERTa для изучения представлений лекарственно-подобных молекул. Предобучение проводилось в два этапа на наборах augmented_canonical_druglike_QED_43M и druglike с маскированием токенов; в метаданных указаны 201,9 млн параметров и контекст до 130 токенов. Модель доступна в формате safetensors под лицензией Apache-2.0. Модель предназначена как основа для анализа химических соединений: её представления можно применять для оценки сходства молекул, исследования химического пространства и последующего обучения моделей предсказания свойств. В карточке приведены результаты оценки на наборах классификации и регрессии; также описана проверка сходства эмбеддингов с Morgan fingerprint. Основное назначение в Hugging Face — заполнение маскированных токенов. Модель оптимизирована для лекарственно-подобных молекул, представленных строками SMILES, и может работать хуже на соединениях за пределами этого класса. Указанный в карточке максимальный размер входа при бенчмарках — 128 символов SMILES.

Dayhoff-170m-GR — генеративная белковая языковая модель, разработанная Kevin K. Yang и соавторами. Она предназначена для исследовательского моделирования белковых последовательностей: генерации новых белков, предсказания эффектов мутаций без дополнительного обучения и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Модель использует гибридную архитектуру Jamba: слои Mamba и Transformer с механизмами Mixture-of-Experts. Она обучена на данных белковых последовательностей Dayhoff и поддерживает контекст до 262 144 токенов. По карточке модель предназначена только для белковых последовательностей, а не для естественного языка или последовательностей ДНК. Генерируемые последовательности не всегда реалистичны, особенно при отсутствии сходства с известными природными последовательностями. Лицензия — MIT.

Dayhoff-170M-GRS-SS-122000 — модель генерации белковых последовательностей, разработанная исследовательской командой, указанной в карточке Dayhoff. Она предназначена для исследований белкового языка: генерации последовательностей, оценки эффектов мутаций без дополнительного обучения и проектирования белковых каркасов с заданными структурными мотивами. Архитектура основана на гибриде Mamba и Transformer с блоками смеси экспертов (MoE); карточка указывает 23,6 млн параметров и контекст до 262 144 токенов. Модель обучена авторегрессионно в обоих направлениях последовательности, что поддерживает заполнение пропусков в произвольном порядке. Dayhoff обучалась на белковых данных, включая набор microsoft/Dayhoff. Модель рассчитана на аминокислотные последовательности и гомологичные белковые последовательности, а не на естественный язык или ДНК. Генерируемые последовательности не всегда реалистичны, а создание качественных белков без сходства с природными последовательностями остается сложной задачей. Лицензия — MIT.

Dayhoff-170M-UR90-HL-16000 — генеративная белковая языковая модель, разработанная исследовательской группой, указанной в карточке Dayhoff. Она предназначена для исследовательских задач белковой инженерии: генерации последовательностей белков, оценки эффектов мутаций без дополнительного обучения и проектирования последовательностей с заданными структурными мотивами или эволюционным контекстом. Архитектура модели — гибрид Mamba и Transformer с механизмом Mixture-of-Experts; веса опубликованы в формате safetensors. Метаданные указывают 23,6 млн параметров и контекст до 262 144 токенов. Модель обучена на данных белковых последовательностей и поддерживает автозаполнение последовательностей в обоих направлениях. Она предназначена только для аминокислотных последовательностей белков, а не для естественного языка или ДНК. Сгенерированные последовательности не всегда реалистичны, особенно если требуется отсутствие сходства с природными белками. Лицензия — MIT.

Einstein-v6.1-Llama3-8B-old-GGUF — это GGUF-квантизированная версия языковой модели Einstein-v6.1-Llama3-8B, разработанной на базе Meta-Llama-3-8B. Квантизацию выполнил bartowski с использованием llama.cpp и метода imatrix. Модель ориентирована на текстовую генерацию и диалоговые сценарии с форматом промпта ChatML. Модель предназначена для ответов на вопросы и выполнения инструкций, прежде всего в областях науки, включая физику, химию, биологию, математику, медицину и электротехнику. Для дообучения использовались наборы данных с научными вопросами, математическими задачами, инструкциями, диалогами и синтетическими ответами. Заявлен английский язык; поддержка других языков в README не указана. Это модель с 8 миллиардами параметров, доступная в нескольких вариантах квантизации GGUF с размером файлов примерно от 2,94 до 8,54 ГБ. Варианты Q6_K, Q5_K и Q4_K позиционируются как оптимальные по качеству, а более компактные варианты подходят для систем с ограниченным объёмом оперативной памяти. README не указывает размер контекста, мультимодальные возможности и точные результаты бенчмарков. Версия помечена как устаревшая из-за исправлений BPE-токенизатора; рекомендуется использовать обновлённый репозиторий Einstein-v6.1-Llama3-8B-GGUF. Лицензия обозначена как other, без дополнительных условий в README.

ESM-1b — белковая языковая модель семейства ESM, разработанная исследовательской группой Facebook AI. Это плотный трансформер на архитектуре RoBERTa с головой masked language modeling; модель содержит около 865,1 млн параметров и принимает последовательности аминокислот длиной до 1024 токенов. Она предварительно обучена без разметки на примерно 30 млн белковых последовательностей из UniRef50 2018-03: по окружающему контексту предсказывает замаскированные аминокислоты. Модель предназначена для заполнения масок в белковых последовательностях и получения представлений, которые можно применять для прогнозирования структуры и функций белков. Её используют для поиска удалённой гомологии, предсказания вторичной структуры и контактов, оценки влияния мутаций, извлечения признаков и дообучения на прикладных наборах данных. В README отмечено, что более новая ESM-2 обычно показывает лучшие результаты; ESM-1b полезна, в частности, для сравнения с прежними моделями. Лицензия — MIT.

ESM-1v — белковая языковая модель, разработанная исследовательской группой Meta AI и распространяемая в репозитории facebook. Это третий чекпойнт из ансамбля пяти моделей ESM-1v, предназначенного прежде всего для оценки эффектов аминокислотных вариантов. Модель представляет собой 33-слойный Transformer примерно с 650 млн параметров, обученный на последовательностях UniRef90; в Hugging Face она доступна для задачи fill-mask. Модель принимает последовательности белков и предсказывает вероятности аминокислот в замаскированных позициях. Вариантные эффекты можно оценивать по изменению вероятности последовательности при замене аминокислоты; ансамбль ESM-1v разработан для таких предсказаний без необходимости строить множественное выравнивание последовательностей. Это специализированная модель для белковых последовательностей, а не генеративная модель естественного языка. Карточка Hugging Face не содержит отдельного описания лицензии; в репозитории указаны веса в форматах PyTorch и TensorFlow.

nvidia/esm2_t12_35M_UR50D — версия модели ESM-2, оптимизированная NVIDIA с помощью библиотеки TransformerEngine. Исходная модель разработана Facebook Research; README указывает, что оптимизированная версия сохраняет исходные веса и результаты с возможными небольшими численными отличиями. Это трансформер для работы с последовательностями аминокислот, обученный предсказывать замаскированные токены. В метаданных указаны архитектура NVEsmForMaskedLM, 44,3 млн параметров и контекст до 1026 токенов; README сообщает о лимите входной последовательности 1022 аминокислоты с усечением более длинных последовательностей. Модель принимает строку с белковой последовательностью и выдаёт векторные представления каждого аминокислотного остатка. Эти представления можно использовать для последующей настройки на задачи, принимающие белковые последовательности, включая классификацию и разметку токенов. README описывает прогнозирование структуры белка как сценарий применения, однако непосредственный выход этой версии — эмбеддинги, а не готовая трёхмерная структура. Работа оптимизирована для NVIDIA GPU; заявлена поддержка Transformers и коммерческого и некоммерческого использования. Лицензия в метаданных — MIT.

ESM-2 — модель семейства ESM, разработанная Meta AI для работы с последовательностями белков. Этот чекпойнт использует архитектуру masked language model с 33 слоями и примерно 865,1 млн параметров по метаданным; в названии указано 650M. Модель обучена предсказывать замаскированные элементы белковой последовательности и подходит для дообучения под задачи, где на вход подаются белковые последовательности. Основное применение — заполнение пропусков в последовательности аминокислот; полученные представления также могут служить основой для специализированных задач после дообучения. Контекст модели — до 1026 токенов. Репозиторий предоставляет веса в форматах PyTorch, Safetensors и TensorFlow. Для работы нужны значительные вычислительные ресурсы, особенно при дообучении крупных чекпойнтов. Лицензия — MIT.

Synthyra/ESMplusplus_large — белковая языковая модель семейства ESM++, опубликованная Synthyra как пакет чекпойнта Biohub ESMC-600M для работы через FastPLMs и Hugging Face Transformers. Модель содержит около 764,5 млн параметров и принимает аминокислотные последовательности, представленные идентификаторами остатков. Основное назначение — восстановление замаскированных токенов в белковых последовательностях; доступны также извлечения представлений последовательностей и остатков для последующего анализа. Модель можно применять для получения эмбеддингов белков, а также как основу для дообучения задач классификации последовательностей и отдельных остатков. У классификационных вариантов головы предсказания инициализируются заново и требуют обучения перед интерпретацией результатов. Поддерживаются несколько бэкендов внимания; численные результаты могут различаться, а доступность некоторых бэкендов зависит от платформы. Лицензия — MIT.

Evo 1.5 8k Base — биологическая фундаментальная модель, разработанная авторами Evo для анализа и генерации биологических последовательностей. Она построена на архитектуре StripedHyena и работает с последовательностями на уровне отдельных нуклеотидов, используя байтовое представление. Вариант Evo 1.5 продолжает предобучение Evo 1 8k Base на 50% большем объёме данных; в README указан общий объём обучения в 450 млрд токенов. Модель содержит 8,6 млрд параметров по метаданным и поддерживает контекст до 8 192 токенов. Модель предназначена для моделирования и проектирования биологических последовательностей, включая задачи на молекулярном и геномном уровне. В качестве обучающих данных использовался OpenGenome — набор прокариотических геномов. Репозиторий содержит веса PyTorch в формате safetensors; лицензия — Apache 2.0. README описывает вариант как базовую предварительно обученную модель, которую можно использовать для последующей тонкой настройки под молекулярные задачи.

GPepT — авторская языковая модель для генерации последовательностей пептидов и пептидомиметиков, предназначенная для исследователей в области дизайна молекул и разработки пептидных терапевтических кандидатов. Она основана на архитектуре GPT-2 и содержит 738 млн параметров; модель представляет собой декодерный трансформер с 36 слоями и размерностью 1280. Предобучение выполнено на последовательностях пептидов и пептидомиметиков из ChEMBL без явной разметки.

ImmunoMatch-λ — модель Fraternalilab для изучения предпочтений спаривания тяжёлых и лёгких цепей антител. Это вариант ImmunoMatch, дообученный на AntiBERTa2-CSSP и обученный на антителах с лёгкими цепями типа λ. Модель принимает пару аминокислотных последовательностей доменов VH и VL и предназначена для классификации, связанной с совместимостью или предпочтениями спаривания цепей. Модель построена на RoFormer, содержит 268,5 млн параметров и имеет контекстное окно 256 токенов. Для запуска используются веса PyTorch. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.

Это GGUF-квантизированная версия модели internlm/internlm2-math-plus-mixtral8x22b, подготовленная пользователем legraphista с помощью llama.cpp. Модель предназначена для генерации текста и, судя по названию и исходной модели, ориентирована прежде всего на математические задачи. Указаны английский и китайский языки. Формат GGUF подходит для локального запуска средствами llama.cpp и совместимыми инструментами. В репозитории представлены варианты от BF16 и FP16 до низкобитных форматов Q8_0, Q6_K, Q5_K, Q4_K, Q3_K, Q2_K и IQ-квантов; размеры файлов составляют примерно от 48 до 281 ГБ, а многие варианты разделены на части. Для ряда низкобитных вариантов применена IMatrix-квантизация, призванная сохранить качество при уменьшении размера. Исходный тип данных модели — BF16. Архитектура, точное число параметров, размер контекста и поддерживаемые модальности в README не указаны; из данных следует только текстовая специализация без заявленной поддержки изображений или аудио. Сильные стороны — широкий выбор уровней квантизации и возможность локального запуска, а также использование IMatrix в части компактных вариантов. Ограничения — очень большие требования к дисковому пространству и, вероятно, к оперативной или видеопамяти; качество и скорость зависят от выбранного варианта квантизации. Лицензия обозначена как other, но её конкретные условия в README не приведены.

jiosephlee/intern-s1-mini-context-conditioned-molecule-transfer-v10-3-bioavailability-ma-best — дообученная модель на архитектуре Qwen3 для контекстно-зависимого переноса свойств молекул, выбранная по результатам валидации в задаче пероральной биодоступности. Она предназначена для генерации текстовых ответов в сценариях переноса между молекулярными наборами данных с учётом контекста; карточка указывает обучение на смешанных непрерывных данных и использование функции потерь с мягкими целевыми значениями. Модель содержит 7,6 млрд параметров, принимает текст, имеет контекст до 65 536 токенов и поставляется в формате safetensors для Transformers. В README приведены метрики Macro-F1@5, NDCG@5 и Spearman на валидации и тесте; условия лицензии не приведены в доступных данных.

THGLab разработала GeomLlama-xyz-Drugs-Large — дообученную инструкционную модель на базе Meta Llama-3.1-8B-Instruct, предназначенную для генерации трёхмерных геометрий молекул по строке SMILES. Она выдаёт декартовы координаты атомов в формате XYZ: по одной строке с элементом и координатами x, y, z в ангстремах на атом, без строки заголовка. Модель специализирована на крупных лекарственно-подобных молекулах и обучена на наборе GEOM-Drugs-Large; дополнительно использована часть Tulu-3 SFT mixture для сохранения общего следования инструкциям. Это плотная авторегрессионная LlamaForCausalLM с 7,5 млрд параметров и контекстом до 131 072 токенов. README указывает LoRA-обучение с последующим объединением адаптера с базовыми весами; модель работает через Transformers и распространяется в safetensors. Подходит для получения координатных представлений молекул из SMILES и дальнейшего просмотра или разбора XYZ-блоков. Обучение ориентировано на крупные лекарственные молекулы, поэтому качество для иных химических структур и точность геометрий за пределами заявленного сценария не установлены. Лицензия — llama3.1.

MaziyarPanahi/mathstral-7B-v0.1-GGUF — это набор файлов модели в формате GGUF для Mathstral-7B-v0.1, разработанной Mistral AI и основанной на Mistral 7B. Квантизацию и публикацию GGUF-версии выполнил MaziyarPanahi. Модель предназначена прежде всего для математических и научных задач, включая решение текстовых задач, рассуждения и генерацию текста, и может использоваться для локального запуска через llama.cpp и совместимые инструменты. Модель имеет около 7 млрд параметров и относится к текстовым языковым моделям; сведения о мультимодальности, поддерживаемых языках и размере контекста в README не указаны. Доступны варианты квантования от 2 до 8 бит, что позволяет выбирать компромисс между требованиями к памяти, скоростью и качеством. В опубликованных оценках Mathstral 7B показывает сильные результаты на ряде математических бенчмарков, включая MATH, Odyssey Math, GRE Math и AMC 2023, однако уступает или сопоставима с другими моделями в зависимости от теста. README не содержит информации о лицензии, поэтому условия использования определить нельзя. К ограничениям относятся возможные потери качества из-за квантования и отсутствие данных о поведении модели вне математических и научных сценариев.