IV.6Научные исследования, математика и новые материалы

JapMed-TIES — объединённая диалоговая языковая модель, созданная tiborousset методом TIES с помощью mergekit. В качестве базовой модели использована lightblue/suzume-llama-3-8B-japanese, объединённая с ContactDoctor/Bio-Medical-Llama-3-8B; для биомедицинской модели указаны плотность и вес слияния 0,5. Модель построена на архитектуре Llama, содержит 7,5 млрд параметров и рассчитана на контекст до 8192 токенов. Модель предназначена для генерации диалоговых ответов на японском языке и работы с биомедицинской справочной информацией. Она принимает текст и выдаёт текст; формат весов — safetensors, библиотека — Transformers. Лицензия в предоставленных данных не указана.

Модель cheesewafer/Llama3-8B-Instruct-sft-sciworld — дообученная версия Meta-Llama-3.1-8B-Instruct, подготовленная для среды ScienceWorld. Это плотная авторегрессионная языковая модель семейства Llama с 7,5 млрд параметров; она предназначена для генерации текста в сценариях ScienceWorld. Метаданные указывают контекст до 131 072 токенов и формат весов safetensors. Модель принимает текст и генерирует текст. Карточка не приводит подробностей об обучающих данных, оценке качества или конкретных ограничениях. Базовая модель распространяется под лицензией Llama 3.1; сведения о лицензии этой производной модели в предоставленных данных отсутствуют.

Llama-3-OpenBioMed-8B-dare-ties-4x — объединённая модель на архитектуре Llama 3, созданная с помощью LazyMergekit из четырёх биомедицинских моделей: aaditya/Llama3-OpenBioLLM-8B, johnsnowlabs/JSL-MedLlama-3-8B-v2.0, Jayant9928/orpo_med_v3 и skumar9/Llama-medx_v3. Она предназначена для генерации текста и диалоговых ответов по биомедицинским темам, например для подготовки черновиков ответов и помощи в работе с медицинской информацией. Модель содержит 7,5 млрд параметров и поддерживает контекст до 8192 токенов. Модель принимает текст и генерирует текст. Базовые модели специализируются на англоязычной биомедицинской области; подтверждённых сведений о других поддерживаемых языках нет. Объединение нескольких специализированных чекпойнтов ориентировано на медицинские запросы, однако карточка не приводит оценок качества или клинической валидации. Лицензия в предоставленных данных не указана.

LLaMA-Mesh — модель на основе Transformer и архитектуры Llama 3.1, разработанная авторами исследования Zhengyi Wang и соавторами. Это версия с 7,5 млрд параметров, дообученная на текстовом представлении 3D-сеток: координаты вершин и определения граней записываются как текст, поэтому модель работает с геометрией в языковом формате. Для генерации использует Transformers и формат safetensors; метаданные указывают контекст до 131 072 токенов, а в README заявлено ограничение до 8 тысяч токенов для входа и выхода. Модель предназначена для создания 3D-сеток по текстовым запросам, совместных ответов с текстом и геометрией, а также интерпретации сеток. Она обучалась методом supervised fine-tuning на подмножестве Objaverse из 30 тысяч объектов с числом граней менее 500. Авторы сообщают о качестве генерации сеток на уровне моделей, обученных с нуля, при сохранении сильных возможностей генерации текста. Для использования действует лицензия Llama 3.1 Community License Agreement; требуется атрибуция «Built with Llama». README описывает строковый текстовый интерфейс, хотя результат может содержать представление 3D-сетки; заявлена совместимость с NVIDIA Ada и Linux.

Это Hugging Face Transformers-совместимое представление медицинской визуально-языковой модели LLaVA-Med v1.5 на базе Mistral 7B, подготовленное Eren Senoglu путём преобразования исходной модели Microsoft. Она принимает биомедицинское изображение и текстовый запрос и формирует текстовый ответ; предназначена для вопросов и ответов по медицинским изображениям. Репозиторий содержит веса Safetensors и заявляет совместимость с vLLM. Модель наследует возможности LLaVA-Med v1.5 Mistral 7B. Лицензия — Apache-2.0. README не приводит оценок качества или подробных ограничений; медицинские ответы следует проверять, а модель не следует считать заменой профессиональной диагностики.

medBERT-base — англоязычная BERT-модель, разработанная автором репозитория на основе google-bert/bert-base-uncased и дообученная на наборе gayanin/pubmed-gastro-maskfilling. Она предсказывает скрытые токены в медицинских текстах, включая материалы по гастроэнтерологии, и подходит для заполнения пропусков, изучения контекстного употребления терминов и дальнейшего дообучения на медицинских корпусах. Модель использует архитектуру BERT с WordPiece-токенизатором, содержит 136,7 млн параметров и обрабатывает последовательности длиной до 512 токенов. Распространяется по лицензии Apache-2.0.

MedLLM-10M — небольшая авторская языковая модель на архитектуре GPT-2, созданная Акteruzzaman Raihan Sikder с нуля для медицинских текстов. Она предназначена для исследовательских и учебных экспериментов, а также как компактная базовая модель для дальнейшей настройки и извлечения признаков из медицинских текстов. Модель имеет архитектуру GPT2LMHeadModel с 8 слоями, размером скрытого состояния 512, 8 головами внимания и контекстом до 512 токенов. В README указано около 27,7 млн параметров, включая эмбеддинги; для обучения использовались медицинская литература, статьи, клинические рекомендации и наборы вопросов и ответов. Модель рассчитана только на английский язык и распространяется в формате Safetensors по лицензии Apache-2.0. Небольшой размер позволяет запускать модель на CPU и дообучать на ноутбуке. Она не проходила обучение безопасности и может уверенно генерировать недостоверные медицинские утверждения; автор прямо запрещает использовать её для диагностики, лечения, сортировки пациентов, дозирования и клинических решений.

MedPhi-2 — языковая модель для биомедицинской области, созданная дообучением Phi-2 и предложенная в работе MedExQA. Она предназначена для генерации текста и ответов на медицинские вопросы на английском языке. Модель содержит 3,5 млрд параметров по метаданным каталога; в README указано 2,7 млрд. Архитектура — плотная PhiForCausalLM, контекст — до 2048 токенов. Модель может быть полезна для прототипирования систем ответов на клинические и биомедицинские вопросы. В карточке указана лицензия MIT. README не приводит результатов оценки качества или клинической валидации, поэтому ответы модели не следует считать медицинской рекомендацией.

Модель dima806/mushrooms_image_detection — дообученная версия Vision Transformer ViT-Base для классификации изображений грибов. Она принимает изображение и определяет тип гриба. Модель содержит 113,2 млн параметров и распространяется в форматах PyTorch и Safetensors. Модель разработана на основе google/vit-base-patch16-224-in21k и предназначена для распознавания грибов по фотографиям. Лицензия — Apache-2.0.

Palmyra-Med-20b — медицинская языковая модель Writer с 20 млрд параметров, созданная дообучением Palmyra-Large на специально собранном наборе медицинских данных PubMedQA и MedQA. Это авторегрессионная модель с архитектурой GPT-2, предназначенная для медицинского диалога и ответов на вопросы по биомедицинским публикациям и медицинским темам. Модель принимает текст и генерирует текст на английском языке; длина контекста составляет 2048 токенов. По данным README, на наборах PubMedQA и MedQA модель показала результаты 75,6 и 44,6 соответственно. Разработчик сообщает, что модель снята с поддержки и не рекомендует применять её в производстве или критически важных сценариях. Модель может наследовать предубеждения из обучающих данных, плохо работать на других языках, а её точность и эффективность в практических медицинских условиях не установлены; она не заменяет консультацию специалиста. Лицензия — Apache 2.0.

PhysX-Omni — модель ACERobotics для создания 3D-объектов по изображениям. Это дообученная версия мультимодальной Qwen2.5-VL-7B-Instruct с плотной архитектурой Qwen2.5-VL и 7,1 млрд параметров. Для работы с моделью указаны веса в формате safetensors; базовая модель поддерживает контекст до 128 000 токенов. Модель предназначена для генерации физических 3D-объектов, пригодных для симуляции. В метаданных также указаны датасеты PhysX-Mobility, PhysX-3D и PhysXVerse. Лицензия — MIT.

Qwen3-0.6B OpenR1-Math SFT S1 — исследовательский чекпойнт, опубликованный для воспроизводимости и аудита эксперимента. Его разработчик выполнил один цикл полного дообучения Qwen/Qwen3-0.6B-Base методом supervised fine-tuning на детерминированно отфильтрованном наборе OpenR1-Math; модель содержит около 508 млн параметров и использует плотную архитектуру Qwen3. Это причинная языковая модель для генерации текста, рассчитанная на контекст до 32 768 токенов. Чекпойнт предназначен для исследований дообучения небольших моделей, анализа данных и ошибок, поведения длины генерации и воспроизводимых сравнений с базовой моделью. В указанной оценке улучшились соответствие обучающему распределению и результат GSM8K, однако макрооценка по 59 задачам снизилась. Короткий тест MATH-500 был сильно ограничен длиной генерации, а полный запуск остановили до завершения, поэтому он не подтверждает математические способности модели. Это экспериментальный чекпойнт, а не универсальный ассистент; математические ответы требуют независимой проверки. Модель распространяется по лицензии Apache-2.0. В конфигурации генерации EOS отличается от токена EOS базовой модели; некоторые движки могут игнорировать сохранённую конфигурацию, поэтому для ограниченной генерации нужно явно задавать стоп-токены или строки и максимальную длину ответа.

Это текстовая причинная языковая модель на базе Qwen3.5-27B, дообученная авторами проекта Babel-Formal методом supervised fine-tuning на корпусе перевода proof terms в тактические скрипты Lean и Rocq. Она предназначена для экспериментов с переводом формальных доказательств между этими средами: на вход подаются текстовые представления доказательств, на выходе модель предлагает текст скрипта для целевого доказательного ассистента. Модель использует архитектуру Qwen3_5ForCausalLM, содержит 22,3 млрд параметров и поддерживает контекст до 262 144 токенов. В этом выпуске сохранены языковая модель и токенизатор Qwen3.5, но отсутствуют веса визуального энкодера, поэтому чекпойнт работает только с текстом. Для проверки результата сгенерированные скрипты необходимо запускать в целевом доказательном ассистенте: модель может выдавать синтаксически некорректный или не проходящий проверку код и не гарантирует математическую корректность. Модель выпущена под лицензией Apache-2.0. Это исследовательский чекпойнт для перевода формальных доказательств, а не универсальный инструмент для проверки математических утверждений; исключение загрязнения обучающих данных предварительным обучением не заявлено.

Репозиторий содержит предварительно обученные веса сети Local-to-World (L2W) для SLAM3R — системы плотной реконструкции 3D-сцен в реальном времени по монокулярным RGB-видео. L2W совмещает локальные облака точек в общей системе координат сцены; система использует регрессию точек и нейросети прямого прохода. Модель предназначена для восстановления плотной геометрии сцены по последовательности кадров RGB-видео. В метаданных указан тег image-to-3d, а формат весов — safetensors. Карточка связывает SLAM3R с работой для CVPR 2025. Сведений о лицензии, размере модели и поддерживаемых языках в предоставленных данных нет.

Sovereign-MicroSwarm-v1 — компактная модель ItsNotAI LABS на основе плотного Transformer с многоголовым self-attention, предназначенная для анализа телеметрии промышленного оборудования. В карточке указано 917,5 тыс. параметров; README отдельно приводит 795 907 обучаемых параметров и 640 000 элементов константного positional encoding. Модель обучалась 10 эпох с AdamW и распространяется в форматах PyTorch и Safetensors. Модель рассчитана на прогнозное обслуживание оборудования, включая оценку состояния подшипников и коррекцию крутящего момента двигателей и роботов на сборочных линиях. README сообщает о validation loss MSE 0,00419 и задержке инференса 1,123 мс, однако описание не раскрывает состав датасетов, протокол измерений и условия тестирования этих показателей. Лицензия — Apache-2.0.

SeanWang0027/student_prefix_polaris_15K_olmo3-7b_continual_Q_qwen3-30b-a3b_cutoff4096_epoch_1_mask — экспериментальный чекпойнт на базе Olmo-3-7B-Think-SFT, созданный для изучения метода Online ROSE с передачей продолжений между моделями с разными токенизаторами. Модель обучали на продолжениях Qwen3-30B-A3B-Thinking-2507 по 15 368 задачам конкурсной математики; обучающая цель применялась только к токенам продолжения учителя. Архитектура — плотная Olmo 3 с 6,9 млрд параметров, формат весов — safetensors; в README указаны 7,30 млрд параметров исходной модели. Чекпойнт предназначен прежде всего как артефакт воспроизведения обучения и для экспериментов с дистилляцией рассуждений и продолжением математических решений. В README сообщается о снижении обучающей cross-entropy, но downstream-оценок не проводили, поэтому улучшение математических способностей не подтверждено. Обучение выполнялось в bf16; согласно карточке, модель поддерживает контекст до 65 536 токенов. Лицензия — Apache-2.0.

VTE-ModernBERT-DeID — модель Omid Jafari, разработанная при участии Ang Li Lab, для классификации клинических текстов на фенотипы венозной тромбоэмболии. Она дообучена на BioClinical-ModernBERT-large и использует архитектуру ModernBertForSequenceClassification с 394,7 млн параметров и шестью метками. Модель рассчитана на англоязычные клинические записи; архитектура поддерживает контекст до 8192 токенов, но при дообучении использовалась длина последовательности до 1024 токенов. Модель предназначена для исследовательской ретроспективной фенотипизации VTE в клинических нарративах, в том числе с использованием более длинного контекста, чем у обычных BERT-моделей на 512 токенов. Для обучения применялся обезличенный текст, однако модель сама не выполняет обезличивание. Данные обучения и оценки в репозитории отсутствуют, а численные результаты оценки в карточке не приведены. Модель не валидирована для диагностики, выбора лечения или автономного скрининга; качество может меняться в зависимости от учреждения, популяции, типа записей и предобработки. Лицензия — AGPL-3.0.

carlosabadia/cosmos — модель Stable Diffusion, дообученная автором carlosabadia методом DreamBooth на изображениях космоса для научной тематики. Она принимает текстовый запрос и генерирует изображение; для активации обученного понятия в запросе рекомендуется использовать фразу «cms cosmos». Модель распространяется в формате Diffusers на PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не приводит сведения о размере модели, контекстном окне и поддерживаемых естественных языках.

Dongjin1203/defect-classifier-vit-base — дообученная модель Vision Transformer ViT-Base для классификации изображений кабельных изделий на наличие дефектов. Она основана на google/vit-base-patch16-224 и дообучена на наборе MSherbinii/mvtec-ad-cable. Модель предназначена для визуального контроля качества в производстве: получает изображение и относит его к одному из классов классификации. В README приведены результаты на оценочной выборке: accuracy 0,9286, precision для дефектов 0,9216, recall 1,0 и F1 0,9592; loss составляет 0,3193. Модель содержит 113,2 млн параметров, использует библиотеку Transformers и распространяется в формате Safetensors. Лицензия — Apache-2.0.

FloraSense — модель классификации изображений растений и другой флоры, разработанная Sisigoks. Это Vision Transformer на базе google/vit-base-patch16-224, дообученный на наборе Planter_GARDEN_EDITION с более чем 10 000 фотографий растений. Модель предназначена для распознавания видов растений в приложениях для ботаники и садоводства, образовательных проектах и проектах по изучению биоразнообразия. По данным карточки, точность на оценочной выборке составляет 35,46%. Модель обучалась 10 эпох; её результаты могут быть полезны для предварительной идентификации, но точность ограничена большим числом близких по виду классов. Лицензия — MIT.

JSL-MedMX-7X — медицинская разговорная языковая модель, разработанная John Snow Labs. Это плотная авторегрессионная модель семейства Mistral с 7,1 млрд параметров, рассчитанная на генерацию текста и диалоговое взаимодействие; для неё заявлено окно контекста до 32 768 токенов. Карточка приводит результаты оценки на биомедицинских тестах, включая MedMCQA. Модель предназначена для ответов на медицинские вопросы и помощи в работе с биомедицинской информацией на английском языке. Веса опубликованы в формате safetensors. Лицензия в метаданных указана как Apache 2.0, однако README задаёт условия CC-BY-NC-ND и Acceptable Use Policy, а для коммерческого лицензирования предлагает связаться с разработчиком; перед использованием следует уточнить применимые условия у John Snow Labs.

kl3m-002-170m-patent — компактная языковая модель института Alea, дообученная на базе kl3m-002-170m для генерации реалистично оформленного патентного текста. Она предназначена для исследовательских прототипов: модель может продолжать патент сверху вниз, от названия и реферата к формуле изобретения, или снизу вверх, от пунктов формулы к реферату и названию. Модель построена на архитектуре GPT-NeoX, содержит 134,2 млн параметров и поддерживает контекст до 4096 токенов. Вход и выход — текст; в карточке указан английский язык. Модель позволяет исследовать автоматизированное составление патентных документов и генерацию потенциальных изобретений на обычном CPU или потребительском GPU. Авторы предупреждают, что большинство сгенерированных идей могут быть бессмысленными или непатентоспособными, а обеспечение разнообразия генераций и снижение риска воспроизведения обучающих данных остаются предметом исследований. Лицензия — CC BY 4.0.

shanchen/llama3-8B-slerp-biomed-chat-chinese — диалоговая языковая модель на архитектуре Llama, созданная автором репозитория слиянием методом Slerp двух моделей: shanchen/llama3-8B-slerp-med-chinese и shenzhi-wang/Llama3-8B-Chinese-Chat. Модель содержит 7,5 млрд параметров и рассчитана на генерацию текста в формате чата; в карточке заявлены китайский и английский языки. Контекстное окно составляет 8192 токена. Модель может использоваться для диалогов и генерации ответов на китайском или английском языках, в том числе по биомедицинской тематике, исходя из названия одной из объединённых моделей. Слияние сочетает медицински ориентированную модель с китайской чат-моделью, однако README не приводит сравнительных оценок качества или подробных гарантий медицинской точности. Для использования действует лицензия Llama 3.

arcee-ai/Llama-3-OpenBioLLM-JSL-8B-SLERP — объединённая языковая модель на базе Llama 3, созданная Arcee AI с помощью mergekit. Она объединяет aaditya/OpenBioLLM-Llama3-8B и johnsnowlabs/JSL-Med-Sft-Llama-3-8B методом SLERP; архитектура — плотная авторегрессионная LlamaForCausalLM, размер — 7,5 млрд параметров, формат весов — safetensors. Модель предназначена для генерации текста в медицинских и биомедицинских сценариях, включая ответы на вопросы и подготовку текстов по профильным темам. Принимает и генерирует текст; заявленный контекст составляет 8192 токена. В метаданных указана лицензия Apache-2.0. Карточка описывает способ объединения и исходные модели, но не содержит результатов оценки качества, поэтому пригодность для конкретных клинических задач следует проверять отдельно.

team03 Math SLM v4 — модель команды team03 (SLM Learners), созданная для пошагового решения задач по математике в стиле экзамена GATE и по общей математике. Это дообученная на базе Qwen2.5-0.5B-Instruct плотная авторегрессионная модель Qwen2 с 494 млн параметров. Для обучения применялся QLoRA; итоговые веса объединены с базовой моделью. Доступны веса Safetensors и квантованный GGUF Q8_0 для запуска, в том числе на CPU. Метаданные указывают контекст до 32 768 токенов, однако обучение проводилось на последовательностях длиной 2 048 токенов, поэтому README предупреждает, что более длинные задачи обрезаются. Модель предназначена для свободных вопросов и ответов по математике: на простые запросы она может дать краткий ответ, а для сложных обычно формирует рассуждение и отдельную строку с итогом. Подходит для подготовки к GATE и другим конкурсным экзаменам, а также для учебной практики. В оценке авторов отмечены приемлемые результаты на части задач по алгебре и математическому анализу, но общая инструкция-выполняемость слабая: модель часто добавляет многословное рассуждение даже при требованиях к строгому формату ответа. Проверка знаний основана на небольшом и неравномерном наборе задач, поэтому оценки по отдельным темам ненадёжны. Модель выпущена под лицензией Apache-2.0. В карточке указан английский язык; README описывает математические задачи, но не заявляет поддержку других естественных языков.

Это англоязычная исследовательская модель для генерации решений задач по математике, дообученная hahaws777 на базе Ai2 OLMo-2-0425-1B. Она использует плотную архитектуру OLMo-2 с 1,3 млрд параметров, принимает текст и генерирует текст; базовый контекст составляет 4096 токенов. Модель обучена с полным обновлением параметров методом reinforcement learning на подмножестве GSM8K и рассчитана на промпт в формате r1_zero. В опубликованной оценке модель правильно решила 497 из 1024 первых примеров локального тестового файла GSM8K по строгому критерию, который требует заданных маркеров ответа. Эта оценка не независима от выбора чекпойнта и не показывает качество на полном тестовом наборе. Обучение проводилось в BF16; автор сообщает о запуске конкретной конфигурации на одной RTX 5070 Ti с 16 ГБ памяти, но это не гарантирует совместимость с другими настройками. Модель не является универсальным чат-ассистентом или официальным релизом Stanford/Ai2. Лицензия — Apache-2.0.

EpistemeAI/Reasoning-Medical0.1-E4B-sft — мультимодальная модель семейства Gemma 4, дообученная EpistemeAI методом SFT на наборе примерно из 100 000 примеров медицинских рассуждений. Основана на unsloth/gemma-4-E4B-it и использует архитектуру Gemma4ForConditionalGeneration; метаданные указывают поддержку изображений и текста. Модель предназначена для медицинского и биомедицинского вопросно-ответного взаимодействия, структурированных объяснений, учебных разборов и поддержки обзора литературы. Подходит для медицинского образования, практики разбора экзаменационных вопросов, исследовательской поддержки и подготовки черновиков объяснений для проверки специалистом. README не сообщает длину контекста. Модель выпущена под лицензией Apache-2.0. Её ответы не следует использовать как самостоятельный диагноз или основание для лечения: они могут содержать фактические ошибки, устаревшие сведения, чрезмерную уверенность или упускать важный клинический контекст; клиническое применение требует проверки специалистом.

Rice-Leaf-Disease — модель классификации изображений листьев риса, созданная PrithivMLmods дообучением google/siglip2-base-patch16-224. Она построена на архитектуре SiglipForImageClassification и относит изображение к одному из пяти классов: бактериальный ожог, пирикуляриоз, бурая пятнистость, здоровый лист или тунгро. Модель предназначена для раннего выявления болезней риса и может помогать фермерам и агрономам оценивать состояние растений, а исследователям — анализировать распространение заболеваний. Она принимает изображения и выдаёт классификацию. Репозиторий использует Transformers, веса сохранены в формате safetensors. Лицензия — Apache-2.0. Классы и качество распознавания могут не охватывать все болезни и условия съёмки; README не приводит метрик точности или сведений о проверке на полевых изображениях, поэтому результаты стоит подтверждать экспертной оценкой.

RudolfV 2-S — компактная модель зрения на архитектуре Vision Transformer, разработанная Aignostics для вычислительной патологии. Она использует backbone ViT-S/8, содержит 22 млн параметров и получена дистилляцией RudolfV 2, предварительно обученной на 300 тысячах полноразмерных гистологических изображений. Модель предназначена для извлечения признаков из отдельных тканевых фрагментов и построения решений для последующих задач патологии. Извлечённые признаки можно применять для классификации тканей и опухолей, определения степени злокачественности, предсказания биомаркеров и моделирования на уровне стекла с помощью multiple instance learning. RudolfV 2-S — самая маленькая и быстрая модель семейства: в карточке указана скорость в 6,5 раза выше флагманской RudolfV 2. Модель принимает изображения и выдаёт векторные признаки; языкозависимый ввод не требуется. Для загрузки нужны Transformers, timm и пользовательский код модели через trust_remote_code=True. Доступ к весам ограничен: требуется запрос через Hugging Face с академическим или некоммерческим адресом электронной почты; выдача доступа остаётся на усмотрение Aignostics. Лицензия обозначена как other, её конкретные условия следует проверить на странице модели.

Sovereign-Swarm-Coherence-v1 — компактный трансформер ItsNotAI LABS на PyTorch с многоголовым self-attention, предназначенный для управления робототехническими и микродроновыми роями. В README указано 800 019 обучаемых параметров; в метаданных каталога размер оценён в 917,5 тыс. параметров. Модель использует positional encoding и распространяется в форматах PyTorch и safetensors. Модель предназначена для вычисления параметра фазовой синхронизации Курамото, оценки риска столкновения по попарной геометрии в 2D и поддержки координации автономных агентов роя, включая оповещения о сближении и настройку силы фазовой связи. В README приведены метрики проверки, однако независимое подтверждение этих результатов не описано. Лицензия — Apache-2.0.