IV.6Научные исследования, математика и новые материалы

SPIDER-colorectal — модель HistAI для классификации патчей гистологических изображений тканей толстой и прямой кишки. Это дообученный на наборе SPIDER-colorectal визуальный энкодер Hibou-L, предназначенный для классификации изображений патчевого уровня в цифровой патологии. Модель принимает изображения размером 1120×1120 пикселей и решает задачу image-classification. Обучение проводилось на 77 182 центральных патчах из 1 719 размеченных стекол; в набор также входят контекстные патчи. В README приведены accuracy 0,914, precision 0,917 и F1 0,915 для колоректальных образцов. Модель может служить компонентом исследовательских и аналитических рабочих процессов цифровой патологии, например для автоматической сортировки патчей по классам. Карточка указывает лицензию CC BY-NC 4.0, которая ограничивает коммерческое использование без отдельного разрешения; для коммерческой лицензии предлагается связаться с HistAI. Качество на других органах, окрасках и условиях подготовки изображений в приведённых данных не подтверждено.

St4RTrack — модель для одновременной реконструкции сцены в 4D и отслеживания объектов в мировом пространстве. В карточке указаны авторы Haiwen Feng, Junyi Zhang и соавторы; работа представлена на конференции ICCV 2025. Модель предназначена для получения трёхмерной структуры и временного движения по последовательности изображений. Модель связана с библиотекой DUSt3R, а веса доступны в формате safetensors. Карточка классифицирует её как image-to-3d. README содержит лишь краткую информацию о проекте и не описывает подробный интерфейс использования, языковую поддержку или ограничения качества. Условия лицензирования в доступных сведениях не приведены.

Stable-X/vggt-object-v0-1 — модель Stable-X для восстановления 3D-объектов по изображениям. В карточке она связана с работой ReconViaGen, посвящённой точной многовидовой реконструкции объектов с помощью генерации. Модель использует библиотеку object-vggt и основана на объединении facebook/VGGT-1B и facebook/VGGT-1B-Commercial. Модель предназначена для задачи image-to-3d: по одному или нескольким изображениям восстанавливать трёхмерный объект. Карточка не сообщает подробностей об архитектуре, числе параметров, длине контекста или поддерживаемых языках; английская метка в метаданных не подтверждает языковую поддержку, поскольку основная работа связана с изображениями и 3D. В репозитории указаны веса safetensors. Лицензия в предоставленных данных не указана, поэтому условия использования по ним определить нельзя.

Это модель классификации изображений из серии экспериментов timm: ViT-Large с патчами 14×14, CLIP-предобучением и входным разрешением 336 пикселей, дообученная на iNaturalist 2021. Она предназначена для распознавания видов живых организмов по фотографиям: модель различает 10 000 классов видов и может помочь определить растение или животное по снимку, например сделанному во дворе или на природе. В README указаны результаты на iNaturalist 2021: точность Top-1 91,98% и Top-5 98,03%. Веса доступны в форматах PyTorch и safetensors; для использования предусмотрена библиотека timm. Модель обучалась без дополнительных метаданных. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

NeoQuasar/WindFM-Tokenizer — модель для прогнозирования временных рядов, ориентированная на данные ветроэнергетики. В метаданных Hugging Face указана задача time-series-forecasting, а в README и тегах — область Wind Power. README направляет к репозиторию WindFM для сведений об использовании модели. Модель распространяется по лицензии MIT. В доступных материалах не приведены сведения об архитектуре, размере, модальностях, поддерживаемых языках или длине контекста, поэтому эти характеристики не описываются.

WindFM-Tokenizer-robust — модель для прогнозирования временных рядов, связанная с ветроэнергетикой. Репозиторий содержит веса модели в формате safetensors; автор README направляет к отдельному GitHub-репозиторию за инструкциями по использованию. Модель поддерживает прогнозирование при отсутствии части ковариат: значения отсутствующей переменной следует задавать равными нулю. Репозиторий распространяется по лицензии MIT. Другие сведения об архитектуре, размере, контексте, языковой поддержке и разработчике в доступных материалах не приведены.

AdaptFormer-LEVIR-CD — модель для обнаружения изменений на спутниковых и аэрофотоснимках, разработанная Pang и соавторами и дообученная на наборе LEVIR-CD. Она анализирует изображения с разрешением 512×512 и выдаёт карту сегментации изменений между снимками. Архитектура AdaptFormer обрабатывает признаки на нескольких семантических уровнях: использует простые операции для мелких признаков, учитывает пространственные данные для детализации региональных изменений и применяет каскадное глубинное внимание для высокоуровневых представлений. Репозиторий содержит веса в формате safetensors. Модель предназначена для задач дистанционного зондирования, в частности для выявления изменений на изображениях LEVIR-CD. Лицензия — MIT. В README не приведены показатели качества и подробные сведения о составе входных данных, поэтому их нельзя оценить по карточке.

BioMed-R1-32B — медицинская языковая модель Zou Lab, дообученная на базе Qwen/Qwen2.5-32B-Instruct с помощью supervised fine-tuning и обучения с подкреплением. Она предназначена для генерации ответов на биомедицинские вопросы с многошаговыми рассуждениями и для повышения устойчивости к ошибочным подсказкам: модель обучали на сложных для рассуждения и состязательных примерах, включая сценарии самокоррекции и возврата к предыдущим шагам. Модель имеет плотную архитектуру Qwen2, содержит 32 млрд параметров и поддерживает контекст до 32 768 токенов. Карточка приводит результаты на бенчмарках и сообщает о лучших совокупных и состязательных результатах среди сопоставимых по размеру биомедицинских LLM, но также подчёркивает, что надёжность медицинских рассуждений остаётся ограниченной. Модель работает с текстом и рассчитана на английский язык. Лицензия — Llama 3.1 License.

Модель tiantiaf/childvox-circor-whisper-base разработана Tiantian Feng и представляет собой Whisper Base, дообученную на записях сердечных тонов из набора CirCor. Она классифицирует сердечные шумы по трём меткам: Absent, Unknown и Present. Модель предназначена для исследовательского анализа фонокардиограмм, записанных в четырёх основных точках аускультации у людей в возрасте от 0 до 21 года. Она принимает аудио и выдаёт категорию классификации. Модель описана в работе ChildVox, принятой на основную конференцию EMNLP 2026. Лицензия OpenRAIL; авторы запрещают коммерческое использование. Модель не предназначена для клинической диагностики, индивидуальной оценки без экспертной проверки, наблюдения или нарушения приватности. При работе с детскими записями необходимо соблюдать требования согласия, этического одобрения и применимого законодательства.

DeepWind1.0-890M — базовая модель семейства DeepWind, разработанная для вероятностного прогнозирования выработки ветроэнергетических установок. Это декодерный Transformer с временным разбиением на патчи, раздельным вниманием по времени и переменным и разреженными слоями mixture-of-experts. В метаданных указано 176,2 млн параметров, а README сообщает о 888,24 млн обучаемых параметров; доступные сведения расходятся по размеру модели. Модель строит прогноз без дообучения на основе исторического контекста выработки, а при наличии также метеорологических признаков и координат площадки. Для каждой площадки и горизонта она выдаёт 21 квантиль от 0,01 до 0,99, что позволяет оценивать неопределённость прогноза. Модель предобучена примерно на 562 млрд наблюдений ветровой энергетики и предназначена для задач прогнозирования временных рядов. Модель распространяется в формате safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. README отмечает, что прогнозные интервалы следует проверять и калибровать для конкретной площадки: качество может снижаться при незнакомых алгоритмах управления турбинами, ограничениях генерации, неисправностях датчиков или отличающихся соглашениях о ковариатах.

hersxy/era5-t2m-lstm — модель прогноза временных рядов, разработанная автором репозитория на основе архитектуры LSTM. Она прогнозирует температуру воздуха на высоте 2 м на следующие 24 часа по предыдущим 72 часам для ячейки сетки ERA5. Общая модель применяется к каждой ячейке заданного региона, а координаты широты и долготы подаются как входные признаки. Модель принимает почасовые данные температуры ERA5 в кельвинах и временные признаки: час суток и день года, закодированные синусом и косинусом, а также координаты ячейки. Архитектура состоит из двух слоёв LSTM по 128 элементов с dropout 0,1 и линейного выходного слоя Dense на 24 значения; всего 204 312 параметров. Реализация использует Keras и TensorFlow. Обучение проведено на данных 2021–2023 годов, с валидацией за 2024 год и тестированием за 2025 год; область применения ограничена прямоугольником 41,75–57° с. ш. и 95–74,25° з. д. Модель предназначена для краткосрочного прогноза температуры по ERA5. В тесте за 2025 год RMSE составляла 1,505 K на горизонте 1 час, 1,946 K на 3 часа и 2,578 K на 6 часов; на горизонте 3 часа модель превзошла прогноз сохранения последнего значения. Она не использует ветер, давление или соседние ячейки, поэтому прогноз зависит только от истории температуры в той же ячейке и временно-пространственных признаков. Применение за пределами обучающего региона, на других типах входных данных, при климатическом дрейфе и экстремальных событиях не гарантируется. Лицензия — MIT.

Kimina-Autoformalizer-7B — модель автоматической формализации от Project Numina. Она преобразует естественно-языковые описания олимпиадных задач в код Lean 4, завершающийся `by sorry`, то есть формализует условие, оставляя доказательство незаполненным. Модель основана на Qwen/Qwen2.5-Coder-7B-Instruct и дообучена для этой задачи. Это плотная модель семейства Qwen2 с 7,1 млрд параметров, рассчитанная на генерацию текста; метаданные указывают контекст до 32 768 токенов и библиотеку Transformers. Карточка показывает сценарий использования с vLLM. Модель предназначена для подготовки формальных постановок математических задач в Lean 4 и не заявлена как средство автоматического завершения доказательств. В карточке указан английский язык. Лицензия — Apache-2.0.

OpenBioLLM-8B — специализированная медицинская языковая модель, разработанная Анкитом Палом и Aaditya Ura из Saama AI Labs. Она основана на Meta-Llama-3-8B и дообучена на биомедицинских текстах, медицинских инструкциях и данных предпочтений с применением DPO. Модель содержит около 7,5 млрд параметров, использует плотную архитектуру Llama и контекст до 8192 токенов. Модель предназначена для генерации ответов на медицинские и биомедицинские вопросы, суммаризации клинических записей и работы с медицинской терминологией. Карточка описывает результаты на биомедицинских бенчмарках и примеры извлечения клинических сущностей; это возможности генеративной модели, а не отдельные подтверждённые pipeline-задачи. Основной язык модели — английский. Для работы следует использовать шаблон чата Llama 3 Instruct; ответы иногда бывают многословными. Модель распространяется по лицензии Meta Llama 3. Это языковая модель для медицинского домена, поэтому её ответы могут содержать ошибки и не должны восприниматься как подтверждённые медицинские рекомендации.

llmstep — языковая модель на архитектуре GPT-NeoX, созданная дообучением Pythia-2.8B-deduped на LeanDojo Benchmark 4. Она предназначена для предложения следующего шага формального доказательства в Lean: на вход подаётся состояние цели в формате `[GOAL]tactic-state[PROOFSTEP]`, а модель генерирует следующий тактический шаг. Модель содержит 3,5 млрд параметров и имеет контекст длиной 2048 токенов. Репозиторий предоставляет веса PyTorch; модель рассчитана на текстовый ввод и текстовую генерацию. Лицензия — MIT. README описывает обучение для задачи proofstep, поэтому качество зависит от соответствия входного состояния формату обучения и области LeanDojo Benchmark 4.

MS-BERT — модель семейства BERT, разработанная исследователями отдела Data Science and Advanced Analytics больницы St. Michael’s Hospital в Торонто. Она основана на BLUE-BERT base, дополнительно предобученном на клинических записях неврологических осмотров пациентов с рассеянным склерозом. Репозиторий содержит модель для задачи заполнения пропусков в тексте (masked language modeling); архитектура — BertForMaskedLM, размер — 136,7 млн параметров, максимальный контекст — 512 токенов. Модель предназначена для работы с клиническими текстами о неврологических осмотрах, течении болезни и диагнозах при рассеянном склерозе, например для исследования и адаптации NLP-сценариев в этой области. Данные предварительно обезличивали: имена, даты, идентификаторы и другие сведения заменяли специальными токенами. Карточка не сообщает лицензию, поэтому условия использования по имеющимся сведениям определить нельзя. Авторы предупреждают, что результаты не предназначены для самостоятельной диагностики или принятия медицинских решений без проверки и надзора клинического специалиста.

NV-Generate-MR — разработанная NVIDIA 3D-модель латентной диффузии для генерации синтетических магнитно-резонансных изображений. Архитектура включает 3D U-Net с блоками внимания; модель содержит 240 млн параметров и создана с нуля на компонентах MONAI. Модель предназначена для медицинских исследователей, разработчиков ИИ и организаций здравоохранения: она генерирует объёмы МРТ для расширения обучающих выборок, в том числе при нехватке данных по редким состояниям. Можно задавать область тела, контраст МРТ, анатомические классы, размеры изображения и воксельный шаг; при передаче списка анатомических структур создаётся также маска сегментации. Результаты сохраняются в форматах NIfTI, DICOM или NRRD. Модель рассчитана на исследовательскую и опытно-конструкторскую работу, а не на непосредственное клиническое применение. Для инференса описана интеграция с PyTorch и MONAI Core 1.5.0; оптимизация ориентирована на GPU NVIDIA Ampere и Hopper под Linux. Лицензия указана как other, поэтому конкретные условия следует проверить в репозитории модели.

OlmoEarth v1.2 Energy Multi-Task V4 — исследовательская многозадачная модель для плотного анализа спутниковых снимков Sentinel-2 L2A, разработанная на основе allenai/OlmoEarth-v1_2-Base и дообученная для энергетических объектов в США. Общий энкодер OlmoEarth v1.2 формирует признаки, а отдельные декодеры предсказывают наличие энергетической инфраструктуры, тип топлива электростанций, маски площадок-кандидатов для солнечных и ветровых установок, показатели возобновляемой генерации, вероятности источников энергии центров обработки данных и вспомогательный тип их геометрии. Модель предназначена для исследовательского картирования объектов и анализа территорий по спутниковому контексту. Для подачи требуются гармонизированные DN-значения Sentinel-2 L2A и время съёмки; модель применяет нормализацию OlmoEarth самостоятельно. Выходы по источникам энергии ЦОД — некалиброванные вероятности, а не измеренные доли потребления или закупки электроэнергии. Тип топлива следует интерпретировать только после подтверждённого обнаружения электростанции. В версии V4 заморожены энкодер и декодеры возобновляемой энергетики и ЦОД, а дообучена силовая ветвь; географический охват обучения ориентирован на США. Калибровка вероятностей и независимая внешняя географическая проверка не заявлены, поэтому качество за пределами США не подтверждено. Модель основана на OlmoEarth Artifact License и подчиняется условиям исходной модели Ai2 Responsible Use Guidelines; для датасетов могут действовать отдельные лицензии и требования атрибуции.

timberrific/open-bio-med-merge — объединённая модель генерации текста, созданная с помощью mergekit методом SLERP из aaditya/OpenBioLLM-Llama3-8B и johnsnowlabs/JSL-MedLlama-3-8B-v1.0. Это плотная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров. Модель предназначена для генерации текста и ответов на вопросы в медицинской и биомедицинской тематике. Она принимает текст и выдаёт текст; заявленная длина контекста — 8192 токена. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия указана как llama3.

OVD-Math-1-data-RS-Step500-Historical — чекпойнт исторического эксперимента из коллекции OVD, созданный на основе Qwen/Qwen2.5-Math-1.5B. Модель с архитектурой Qwen2 и 1,5 млрд параметров дообучена на одном наборе данных; обозначение step 500 указывает на сохранённый этап эксперимента. Репозиторий содержит веса для Transformers в формате safetensors и токенизатор. Модель предназначена для генерации текста и математических решений. Базовая Qwen2.5-Math-1.5B рассчитана на математические задачи на английском и китайском языках; контекст модели — до 4096 токенов. Это исторический экспериментальный чекпойнт, поэтому его качество и пригодность для практических задач отдельно не подтверждены. Лицензия в предоставленных данных не указана.

malifiahm/plant_disease_classification — модель классификации изображений растений, созданная дообучением Vision Transformer google/vit-base-patch16-224-in21k. Она содержит 113,2 млн параметров и предназначена для отнесения изображений к классам заболеваний растений. Модель подходит для распознавания болезней по фотографиям растений, например как компонент приложения для первичной сортировки снимков. На указанном в карточке наборе оценки достигла точности 0,9915 и потери 0,0323; состав набора данных и перечень классов не раскрыты. Веса доступны в формате Safetensors по лицензии Apache-2.0.

Quilt-LLaVA-v1.5-7B — открытая мультимодальная чат-модель, разработанная исследователями для анализа изображений гистопатологии. Это авторегрессионная модель на архитектуре Transformer, полученная дообучением LLaMA/Vicuna на изображениях из образовательных видео по гистопатологии и мультимодальных инструкциях, сгенерированных GPT. Модель содержит 6,6 млрд параметров и принимает текстовые запросы вместе с изображениями, формируя текстовые ответы; максимальная длина контекста составляет 4096 токенов. Модель предназначена прежде всего для исследований мультимодальных медицинских моделей и чат-ботов: например, для вопросов и ответов по гистологическим изображениям и изучения устойчивости и обобщающей способности таких систем. Обучающие данные включают пары изображение–текст из QUILT-1M и инструкции QUILT-Instruct; оценка проводилась на академических VQA-бенчмарках по гистопатологии. Модель не следует считать клиническим диагностическим инструментом: её заявленное назначение — исследовательское, а ответы могут быть ошибочными или иметь ограничения и смещения. Репозиторий распространяется по лицензии CC BY-NC 3.0, которая ограничивает коммерческое использование.

TIC Forestry v1 — дообученная командой TIC модель сегментации аэроснимков Швеции для картирования землепользования и оценки высоты древесного полога. Она построена на backbone DINOv3 ViT-L/16 sat493m с многомасштабным плотным декодером; в модели около 305,6 млн параметров, из которых обучаемыми были 78,9 млн. На вход подаются изображения 512 × 512 пикселя с разрешением 0,5 м и четырьмя каналами RGB и NIR; на выходе — карта из 10 классов и оценка высоты полога в метрах на сетке 1 м. Модель предназначена для картирования лесных участков, оценки высоты полога, подсчёта площадей типов землепользования и сравнения аэросъёмок для выявления изменений. Метки классов отражают землепользование по картографическому слою Lantmäteriet Topografi 10, а не фактическое наличие деревьев: например, вырубка может сохранять класс леса. Высоту полога следует анализировать отдельно. Модель рассчитана на шведские аэроснимки и шведскую классификацию; точечное распознавание отдельных деревьев и определение пород, кроме трёх укрупнённых групп, не поддерживаются. Лицензия указана как other, без уточнения условий в предоставленных данных.

Это визуальный backbone на архитектуре Vision Transformer (ViT), разработанный Owkin для работы с гистологическими изображениями. Модель предварительно обучена методом iBOT на 40 миллионах панканцерных фрагментов тканей из Pancancer40M, созданного на основе TCGA-COAD; обучение использовало masked image modeling и self-distillation. Модель предназначена прежде всего для извлечения признаков из изображений гистологических срезов, которые затем можно использовать в классификации и других задачах анализа тканей. Она имеет 85,8 млн параметров, принимает RGB-изображения размером 224 × 224 пикселя и использует патчи 16 × 16 пикселей. Репозиторий содержит веса PyTorch в формате safetensors и рассчитан на библиотеку timm. Лицензия Owkin разрешает некоммерческое использование. Модель обучалась на данных TCGA-COAD, поэтому качество и переносимость признаков для других типов тканей и задач могут различаться; README не приводит оценок качества.

NeoQuasar/WindFM — модель для прогнозирования временных рядов, ориентированная на задачи прогнозирования выработки ветровой энергии. В карточке Hugging Face указаны задача time-series-forecasting, область Wind Power и формат safetensors; README ссылается на репозиторий WindFM с дополнительными материалами по использованию. Модель распространяется по лицензии MIT. Данных об архитектуре, размере, длине контекста, поддерживаемых языках, модальностях и результатах сравнительной оценки в предоставленной карточке нет. Поэтому её характеристики и качество следует проверять по документации репозитория и на данных конкретной ветроэнергетической системы.

FEATHER — набор лёгких супервизируемых моделей для анализа гистологических изображений, разработанный на данных Mass General Brigham. Эта версия использует архитектуру attention-based multiple instance learning (ABMIL) и предварительно обучена на задаче классификации морфологических типов рака PC-108 с 108 классами. Для извлечения признаков из патчей применяется энкодер UNI; модель обучалась на 24 тысячах слайдов MGB. Модель предназначена для извлечения визуальных признаков и последующей настройки под задачи классификации гистологических препаратов. Компактность FEATHER позволяет дообучать её на потребительских GPU; заявлена конкурентоспособность по сравнению с крупными моделями для целых слайдов. Доступ предоставляется по лицензии CC BY-NC-ND 4.0 и требует принятия условий доступа; запрос должен быть связан с институциональной почтой.

FEATHER — набор лёгких supervised foundation-моделей от MahmoodLab для анализа гистологических изображений. Эта версия использует архитектуру attention-based multiple instance learning (ABMIL) и кодировщик патчей UNI v2; при предобучении применялась классификация по 108 категориям морфологии рака на 24 тысячах стёкол Mass General Brigham. Модель предназначена для извлечения признаков и последующей адаптации к задачам патологии, причём авторы позиционируют FEATHER как более лёгкую для дообучения на потребительских GPU альтернативу моделям уровня целого стекла. Доступ предоставляется по запросу и требует согласия с условиями использования; в README указано, что для запроса нужен подтверждённый институциональный адрес электронной почты. Лицензия репозитория — CC BY-NC-ND 4.0. README не приводит численных показателей качества или подробных ограничений применимости.

Aryabhata 2.0 — языковая модель PhysicsWallah, настроенная для рассуждений и подготовки к конкурсным экзаменам по STEM, включая JEE и NEET. Модель дообучена на базе openai/gpt-oss-20b методом обучения с подкреплением GRPO и адаптером LoRA; в метаданных указаны архитектура MoE, 1,6 млрд параметров и контекст 131 072 токена. Модель предназначена для решения вопросов по физике, химии и математике, многошаговых численных и символьных задач, а также для объяснения материала при подготовке к экзаменам и ответов на вопросы учащихся. Разработчик сообщает о высокой точности на приведённых экзаменационных тестах и экономном расходе выходных токенов; это результаты авторских оценок на описанном наборе тестов. Данные для обучения взяты из внутренних банков вопросов PhysicsWallah и прошли очистку и проверку ответов. Модель принимает текст и генерирует текстовые ответы. В карточке указан английский язык. Репозиторий содержит веса safetensors и адаптер LoRA. Лицензия — Apache-2.0.

Модель cvmil/dinov2-base_rice-leaf-disease-augmented_fft — дообученная CVMIL версия визуального трансформера DINOv2 Base от Facebook для классификации изображений. Она предназначена для распознавания классов на изображениях листьев риса и может применяться для автоматизированного выявления заболеваний по фотографиям. Архитектура — Dinov2ForImageClassification; модель содержит 113,2 млн параметров и использует библиотеку Transformers. В README приведены результаты на тестовой выборке: accuracy 0,9965 и loss 0,0125. Данные обучения и перечень классов не описаны, поэтому эти показатели нельзя обобщать на другие условия съёмки или наборы данных. Модель распространяется по лицензии Apache-2.0.

DistillPath-KS16-HOpt0 — разработанная Рамоном Каспаром, Андреем Игнатовым и Валентиной Боевой в ETH Zurich компактная модель для извлечения признаков из изображений тканей. Это энкодер гистологических изображений на базе Vision Transformer ViT-S/16 с 21,7 млн параметров и вектором признаков размерности 384; модель реализована для библиотеки timm. Модель предназначена для получения признаков из гистологических тайлов и их последующего использования в задачах анализа медицинских изображений и вычислительной патологии. Она получена дистилляцией H-optimus-0 (ViT-g/14, 1,1 млрд параметров) в студенческую модель kaiko ViT-S/16; при обучении использовались 6000 публичных слайдов TCGA. В карточке приведены результаты на нескольких профильных бенчмарках, включая EVA, HEST и PLISM. В метаданных указана лицензия other, поэтому конкретные условия использования следует сверить с лицензией репозитория. Модель извлекает признаки, а не выдает готовый клинический диагноз; результаты бенчмарков сами по себе не подтверждают пригодность для клинических решений.

IncorrectTraceSFT-Qwen2.5-7B-AIME-SplitB-incorrect — модель suryadv, полученная полным дообучением Qwen/Qwen2.5-7B в эксперименте по использованию ошибочных цепочек рассуждений при supervised fine-tuning. Это плотная авторегрессионная модель семейства Qwen2 с 7,1 млрд параметров, предназначенная для генерации текста; карточка указывает контекст до 131072 токенов и обучение на англоязычном наборе математических задач AIME. Чекпойнт соответствует условию held_out_incorrect_6000 в эксперименте aime splits и опубликован для исследований математических рассуждений и выбора данных для дообучения. Модель подходит для генерации решений математических задач и исследования влияния ошибочных промежуточных рассуждений на качество ответов. Используются веса BF16 в формате safetensors, библиотека Transformers и встроенный чат-шаблон. Ответы и промежуточная логика могут быть ошибочными: правильные финальные ответы в обучающих данных не означают, что цепочки рассуждений проверялись. ID/OOD в исследовании описывает совпадение задач с набором SFT и не свидетельствует об отсутствии таких задач в предобучающих данных. Лицензия — Apache-2.0.