IV.6Научные исследования, математика и новые материалы

JOSIE-4B-Thinking — дообученная модель языкового моделирования, разработанная Гёкденизом Гюльмезом на основе Goekdeniz-Guelmez/Qwen3-4B-Instruct-2507-gabliterated. Это плотная авторегрессионная модель семейства Qwen3 примерно с 3,7 млрд параметров; она предназначена для многошаговых рассуждений, математики, STEM-задач, творческого письма и анализа длинных документов. В README заявлена длина контекста 65 536 токенов, а метаданные указывают 262 144 токена. Поддерживаются английский, испанский, французский, португальский, итальянский, арабский, японский, корейский, индонезийский, русский, вьетнамский, немецкий и тайский языки. Модель обучена на более чем 600 млн токенов с использованием дистиллированных трасс рассуждений и примеров расширения ответов. Разработчик описывает её стиль как прямой и подробный, с упором на связные рассуждения и без встроенной фильтрации контента. По заявлению карточки, модель выпущена под лицензией MIT. Она требует ресурсов для запуска модели на 4 млрд параметров; критически важные ответы следует проверять, а для пользовательских приложений с открытым содержанием может потребоваться отдельная модерация.

SkyworkVL-2B — мультимодальная модель компьютерного зрения и языка, разработанная командой Skywork на базе OpenGVLab/InternVL2_5-2B и дообученная на 2 млн примеров с подписями к изображениям и вопросами и ответами. Модель принимает изображения и текстовые запросы и формирует текстовые ответы; в карточке заявлены многоэтапное обучение с учителем и дополнительное обучение рассуждениям на 40 тыс. примеров, включая китайские задания Gaokao. Модель предназначена для ответов на вопросы по изображениям, визуального рассуждения, анализа диаграмм и научных графиков, распознавания текста на изображениях и определения объектов с рамками. Для обработки изображений применяется разбиение на фрагменты с учётом соотношения сторон и несколько разрешений. В сравнении, приведённом в README, модель показывает сильные результаты на MathVista, MMMU, AI2D, OCRBench, RealWorldQA и HallusionBench, хотя на MME уступает базовой InternVL2.5-2B. Доступны веса в формате safetensors; лицензия — Apache-2.0.

Orsta-32B-0326 — мультимодальная модель для анализа изображений, созданная командой MiniMax-AI путём постобучения Qwen2.5-VL-32B-Instruct с помощью системы обучения с подкреплением V-Triune. Модель принимает изображения и текстовые запросы и предназначена для совместного решения задач визуального рассуждения и распознавания. В карточке заявлены задачи по математике, научным вопросам, графикам и головоломкам, а также обнаружению объектов, визуальной локализации, OCR и подсчёту объектов. Модель основана на плотной архитектуре Qwen2.5-VL, содержит 32 млрд параметров и имеет контекст длиной до 128 000 токенов. Репозиторий использует формат safetensors и библиотеку Transformers; заявлена поддержка диалога и зрения. Карточка приводит сравнительные результаты на нескольких бенчмарках, но не даёт здесь полного набора таблицы и подробной методики оценки. Лицензия — MIT.

ERNIE-4.5-VL-28B-A3B-Thinking — мультимодальная модель рассуждений компании Baidu на архитектуре ERNIE-4.5-VL с MoE. Она принимает текст и изображения и предназначена для визуальных вопросов и ответов, многошагового анализа изображений, STEM-задач по фотографиям, анализа диаграмм, визуальной привязки объектов и понимания видео. В README также заявлены вызов инструментов, включая поиск изображений, и режим «Thinking with Images» для изучения мелких деталей изображения с помощью масштабирования. По метаданным размер модели составляет 3,3 млрд параметров, контекст — до 131 072 токенов; README указывает, что при генерации активируются около 3 млрд параметров. Поддерживаемая библиотека — Transformers, веса опубликованы в формате safetensors. Модель ориентирована на английский и китайский языки. Для Transformers в README указана версия не выше 4.57.6. Лицензия — Apache-2.0.

Sonar Deep Research — исследовательская модель Perplexity для многоэтапного поиска, синтеза и рассуждений по сложным темам. Она самостоятельно ищет и читает источники, оценивает их и уточняет подход по мере сбора информации. Модель предназначена для углублённого исследования вопросов, требующих работы с несколькими источниками и последовательного обобщения найденных сведений. Данных о размере, архитектуре, поддерживаемых языках, длине контекста и лицензии в доступных материалах нет.

Hiro-MOSS-OCR-0.3B — компактная мультимодальная модель OCR от PatSnap, обученная с нуля на более чем 50 млн примеров для распознавания содержимого документов по отдельным областям изображения. Она преобразует изображения в структурированную разметку: формулы записывает в LaTeX, таблицы — в HTML, основной текст — в Markdown. Модель насчитывает около 320,8 млн параметров и использует визуальный энкодер NaViT с 2D RoPE и коннектор SwiGLU с объединением патчей; поддерживает изображения произвольного разрешения. Модель предназначена для извлечения текста, распознавания формул и восстановления таблиц в документах на японском, китайском и английском языках. Её можно применять для оцифровки документов, обработки научных материалов и преобразования табличных или математических фрагментов в пригодную для дальнейшей обработки разметку. Для ускоренного локального запуска и обслуживания предусмотрены CUDA Graph и vLLM; быстрый путь через Transformers указан как более медленный и подходящий для пробных запусков и небольших одиночных изображений. Веса опубликованы в форматах FP32 и BF16, лицензия — Apache-2.0. README приводит сравнительные результаты на OmniDocBench и внутреннем патентном тесте, но доступные данные не дают оснований обобщать их на все документы и условия съёмки.

ZoeYou/jepa_lr5e-06_plr0.0001_bs512_tgt512_ema0.996_sigreg0.001_norm_pdim8192_mean_docs5000000 — энкодерная модель на архитектуре BERT для извлечения эмбеддингов научных и патентных текстов и поиска по ним. В репозитории находятся только веса энкодера; модель содержит 137,1 млн параметров и принимает последовательности длиной до 512 токенов. Для представления статьи используется формат «название [SEP] аннотация», а для поиска рекомендуется применять L2-нормализацию эмбеддингов и скалярное произведение. Модель подходит для построения векторного поиска по научным публикациям и патентам. Она опубликована под лицензией MIT. Карточка не сообщает поддерживаемые естественные языки, поэтому языковую специализацию определить нельзя.

MOMENT-1-base — базовая модель семейства MOMENT, разработанная Auton Lab Университета Карнеги — Меллона для анализа временных рядов. Это предварительно обученная модель общего назначения, которую можно использовать без дополнительного обучения или адаптировать на целевых данных. Модель предназначена для прогнозирования временных рядов; семейство MOMENT также поддерживает классификацию, обнаружение аномалий, заполнение пропусков и обучение представлений. Она рассчитана на сценарии zero-shot и few-shot, а дообучение на данных конкретной задачи может улучшить результаты. Модель принимает временные ряды и выдаёт прогнозы или результаты анализа, соответствующие задаче. В карточке указаны форматы PyTorch и safetensors и лицензия MIT. Карточка не приводит размер модели, численные оценки качества или ограничения для конкретных типов данных. Перед применением в критичных сценариях качество следует оценить на целевых временных рядах.

GPT-5.5 Pro — высокопроизводительная модель OpenAI, ориентированная на глубокие рассуждения и точность при решении сложных задач с высокой ценой ошибки. По карточке модели она поддерживает контекстное окно более 1 млн токенов: до 922 тыс. входных и 128 тыс. выходных токенов. Модель предназначена для сложных рабочих сценариев, где важны развёрнутый анализ и точные ответы. Метаданные каталога классифицируют её как image-text-to-text, однако доступные сведения не описывают конкретные визуальные возможности или дополнительные модальности. В карточке не приведены сведения о лицензии и базовой модели; поэтому условия использования по имеющимся данным определить нельзя. Указанные характеристики не раскрывают ограничений модели или подтверждённых областей применения.

google/long-t5-tglobal-large — крупная англоязычная модель Google Research из семейства LongT5. Это предварительно обученный трансформер-кодировщик-декодировщик для генерации текста в формате «текст в текст», обученный восстанавливать исходный текст по искажённому входу. Архитектура использует transient-global attention, чтобы эффективнее обрабатывать длинные последовательности; в метаданных указаны 385,2 млн параметров и контекст 4096 токенов. Модель предназначена прежде всего для дообучения под суммаризацию и ответы на вопросы по длинным документам. В README приведены результаты её дообученных вариантов на наборах данных для научных статей, патентов, биомедицинских текстов и вопросов общего характера. Модель рассчитана на английский язык и принимает текст, выдавая текст. Это базовый чекпойнт, а не готовый специализированный помощник: для конкретной задачи рекомендуется supervised fine-tuning. Выпускается по лицензии Apache-2.0. Заявленная в README способность обрабатывать до 16 384 входных токенов относится к описанным экспериментам и не совпадает с контекстом 4096 токенов в метаданных репозитория.

MOMENT-1-small — компактная модель семейства MOMENT для анализа временных рядов, разработанная Auton Lab при Университете Карнеги — Меллона. Это предобученная модель общего назначения: её можно применять к прогнозированию, классификации, обнаружению аномалий, заполнению пропусков и получению представлений временных рядов, а также дообучать на специализированных данных. Модель рассчитана на работу «из коробки» и может использоваться для прогнозирования без примеров для конкретной задачи или для классификации с небольшим числом примеров. В README приведены руководства и эксперименты для нескольких задач, включая классификацию ЭКГ. Модель распространяется по лицензии MIT. В предоставленных материалах не приведены численный размер модели, длина входного ряда или конкретные ограничения качества.

pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb — модель эмбеддингов предложений на базе BERT, опубликованная пользователем pritamdeka. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для поиска семантически близких текстов, кластеризации и оценки сходства. Модель обучалась на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB, включая наборы данных по биомедицинским текстам. Веса содержат 135,5 млн параметров, максимальная длина контекста составляет 512 токенов. Модель принимает текст и возвращает эмбеддинги; указанные наборы данных и название BioBERT указывают на специализацию для биомедицинского и научного текста. Для использования требуется корректная операция pooling поверх контекстных представлений либо Sentence-Transformers. Лицензия CC BY-NC 3.0 ограничивает коммерческое использование.

CShorten/CORD-19-Title-Abstracts-1-more-epoch — модель Sentence Transformers на архитектуре BERT с 25,9 млн параметров, создающая плотные векторы размерности 384 для предложений и абзацев. Она предназначена для семантического поиска и кластеризации текстов; обучение использовало MultipleNegativesRankingLoss с косинусным сходством. Модель можно применять для поиска научных публикаций по смыслу, группировки похожих аннотаций и сравнения текстовых фрагментов. Она обучалась на данных CORD-19, поэтому ориентирована на заголовки и аннотации научных работ о COVID-19 и смежных темах. Максимальная длина контекста — 512 токенов. Лицензия в предоставленных данных не указана.

DeepAnalyze-8B — локальная модель для анализа табличных данных, представленная в формате GGUF и дообученная на базе RUC-DataLab/DeepAnalyze-8B. Репозиторий содержит 4-битную квантизацию Q4_K_M для запуска через llama.cpp; модель имеет 8 млрд параметров и контекст 8192 токена. В README также названа архитектура DeepSeek-Coder, но метаданные указывают на базовую модель семейства Qwen3. Модель предназначена для преобразования инструкций на естественном языке в код для анализа данных: очистки таблиц, работы с Pandas, Polars и DuckDB, статистического профилирования и построения графиков. Основной сценарий — локальное использование в Jupyter или IPython вместе с агентным расширением, которое проверяет и выполняет сгенерированный код. README описывает работу с англоязычными инструкциями и табличными данными, однако языки в метаданных не подтверждены. Лицензия — MIT. Модель рассчитана на специализированные задачи анализа данных, а не на универсальный диалог; качество и безопасность выполнения кода зависят также от внешней оболочки и проверок. Указанное в README AST-ограничение относится к агентному расширению, а не гарантируется самими весами модели.

FoMo-0D — модель для обнаружения выбросов в табличных данных без обучения на целевой задаче. В карточке указаны официальная реализация и статья «FoMo-0D: A Foundation Model for Zero-shot Tabular Outlier Detection»; модель опубликована с помощью интеграции PytorchModelHubMixin. Модель предназначена для поиска аномальных наблюдений в таблицах, в том числе в сценариях, где нет размеченных примеров для обучения. Доступные сведения не раскрывают размер модели, поддерживаемые языки, конкретные типы входных данных или подробности архитектуры. Репозиторий содержит веса в формате safetensors. Лицензия — MIT.

Hercules-6.1-Llama-3.1-8B — дообученная Locutusque языковая модель на архитектуре Llama 3.1 с 7,5 млрд параметров. Она предназначена для диалогов и выполнения инструкций, включая многошаговые запросы и вызовы функций, и ориентирована на научные и технические темы: биологию, химию, физику, математику, медицину и информатику. Модель принимает текст и генерирует текст; заявленная длина контекста — 131 072 токена. В метаданных указаны английский и китайский языки, формат весов Safetensors и библиотека Transformers. Модель подходит для специализированных чат-ботов, учебных помощников, программирования и прототипирования с вызовами функций. Карточка сообщает о результатах оценивания следования инструкциям и бенчмарков, но не приводит подробного описания методики дообучения. Лицензия — Llama 3.1. Среди ограничений указаны токсичные примеры в данных, риск фактических ошибок и возможность злоупотребления техническими ответами и вызовами функций.

sap-rpt-1-oss — открытая модель SAP для предсказаний по табличным данным, основанная на работе ConTextTab: A Semantics-Aware Tabular In-Context Learner. Она использует table-native in-context learning и специализированные представления для разных типов данных, чтобы учитывать значения ячеек, названия столбцов и их семантический контекст. Чекпойнт и возможности совпадают с прежней версией ConTextTab. Модель принимает таблицу в виде pandas DataFrame или массива NumPy и предназначена для классификации и регрессии. Предобработка не требуется: имена столбцов и значения ячеек автоматически встраиваются с помощью работающей в фоновом режиме языковой модели, а пропуски обрабатываются. Архитектура сочетает обработку табличной структуры с семантическим представлением реальных данных; в README заявлена конкурентоспособность на широком наборе бенчмарков и сильные результаты на CARTE. Репозиторий распространяется по лицензии Apache-2.0. Для загрузки чекпойнтов требуется авторизация в Hugging Face. В README не указаны размеры модели или ограничения на контекст; известных проблем авторы не сообщают.

Fathom-Synthesizer-4B — языковая модель от FractalAIResearch, дообученная на базе Qwen/Qwen3-4B для синтеза результатов исследований и подготовки развёрнутых отчётов. Она преобразует поисковые и исследовательские трассы в связные отчёты с цитатами: протокол plan-then-write предусматривает декомпозицию вопроса, сопоставление источников с разделами и планирование выводов. Модель предназначена для работы в составе системы Fathom-DeepResearch; для поиска в реальном интернете ей требуется отдельный поисковый сервер и соответствующие инструменты. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 3,7 млрд параметров и контекст до 40 960 токенов. При запуске авторы используют масштабирование YARN с RoPE factor 2.0. Она принимает текст и генерирует текст; README не заявляет отдельную поддержку изображений или иных модальностей. Модель распространяется под лицензией MIT. Карточка не приводит специфических для синтезатора ограничений качества или перечня поддерживаемых языков.

Hercules-4.0-Yi-34B — языковая модель Locutusque, дообученная на базе Yi-34B для следования инструкциям и диалогов. Она использует плотную архитектуру LlamaForCausalLM и содержит 33,9 млрд параметров; формат весов — safetensors, максимальный контекст — 4096 токенов. Модель рассчитана на английский язык. Модель предназначена для многошаговых инструкций, вызова функций и бесед по научным и техническим темам, включая биологию, химию, физику, математику, медицину и информатику. Её можно использовать для специализированных чат-ботов, учебных помощников и генерации кода с вызовом функций. Для обучения использован набор Hercules-v4.0, составленный на основе OpenHerm Hermes-2.5 и дополнительных отобранных наборов данных. Модель может выдавать токсичные ответы, галлюцинировать и допускать фактические ошибки, в том числе в специализированных областях; её возможности вызова функций могут быть использованы во вредоносных сценариях. Лицензия — Apache-2.0.

Это encoder-only модель семейства BERT для извлечения признаков из научных и патентных текстов и поиска по ним. В репозитории находятся только веса энкодера; размер модели — 137,1 млн параметров, максимальная длина входа — 512 токенов. Для научной статьи рекомендуется передавать заголовок и аннотацию в формате «title [SEP] abstract». Модель предназначена для получения векторных представлений текстов, которые можно использовать для поиска: в README рекомендуется нормализовать эмбеддинги по L2 и сравнивать их скалярным произведением. Доступна под лицензией MIT. Карточка не описывает обучение на конкретных языках и не приводит оценки качества, поэтому область применения по языку и сравнительную эффективность установить нельзя.

PubMedBERT-QNLI — модель на базе BERT, дообученная на задаче QNLI для проверки того, следует ли ответ на вопрос из заданного контекста. Её можно применять для поиска по документам: модель получает вопрос и текст документа и определяет, содержит ли он ответ. Метки результата: entailment и not entailment. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает пары текстов в формате вопроса и контекста. Максимальная длина контекста — 512 токенов. Основа — PubMedBERT, предварительно обученный на биомедицинских текстах; модель предназначена для задач на медицинских и научных документах. Репозиторий содержит веса PyTorch. Лицензия в предоставленных данных не указана.

SciRus-tiny — компактная модель MLSA Lab Института ИИ МГУ для получения эмбеддингов научных текстов на русском и английском языках. Она использует архитектуру RoBERTa и содержит 25,5 млн параметров; для обработки текста указан контекст до 2050 токенов. Модель обучена на данных eLibrary с применением контрастивного обучения. Она предназначена для представления научных текстов в виде векторов и оценки сходства предложений; в README сообщается о высоких результатах на бенчмарке ruSciBench. Лицензия — MIT.

Skywork-R1V2-38B — открытая мультимодальная модель рассуждений компании Skywork, построенная на архитектуре InternVL Chat. Она принимает изображения и текст и предназначена для визуальных вопросов и ответов, анализа изображений и решения задач, требующих визуального и текстового рассуждения. В README указаны результаты на MMMU — 73,6% и OlympiadBench — 62,6%, а также оценки на MathVision, MMMU-Pro и MathVista; размеры контекста и число параметров в доступных данных не приводятся. Модель распространяется в формате safetensors и лицензирована по MIT. Метаданные указывают поддержку чата и интерфейс вызова инструментов.

GALACTICA 30B Evol-Instruct — языковая модель, разработанная Georgia Tech Research Institute на основе GALACTICA 30B и дообученная на 70 тысячах инструкционных примеров Evol-Instruct. Она предназначена для ответов на запросы в формате «инструкция — ответ», особенно по научным темам; базовая GALACTICA обучалась на научных текстах и данных. Модель использует плотную архитектуру OPTForCausalLM, содержит 39,8 млрд параметров и поддерживает контекст до 2048 токенов по метаданным; при дообучении использовалось окно до 1024 токенов. Модель лучше следует инструкциям, чем варианты GALPACA, согласно качественной оценке в карточке. Она может генерировать неточные сведения, поэтому ответы требуют проверки и модель не рекомендуется для производственного использования без мер предосторожности. Доступна по лицензии CC BY-NC 4.0; для моделей на основе Evol-Instruct-70k также применяются условия использования OpenAI.

barozp/Qwen3.8-27B-Opus-Distill — плотная мультимодальная модель на 27 млрд параметров, созданная дообучением Qwen/Qwen3.8-27B с помощью LoRA и последующим объединением адаптера с базовыми весами. Разработчик обучал её на наборах примеров рассуждений, связанных с Claude Opus, чтобы улучшить решение многошаговых задач. Модель работает с текстом и изображениями; базовая модель также поддерживает анализ видео. Vision tower и голова MTP перенесены из базы без изменений. Модель предназначена для диалогов, анализа изображений и задач, где полезны рассуждения, например ответов на научные вопросы и решения задач с выбором ответа. В опубликованных разработчиком тестах ARC-Challenge и GPQA показали прирост относительно базовой модели, а результаты MMLU и языкового моделирования остались примерно на прежнем уровне. Сравнения выполнены в конкретном режиме оценки и не гарантируют аналогичного улучшения во всех сценариях. Лицензия — Apache-2.0. Известна воспроизводимая проблема: сочетание требования «без прозы» с дополнительным ограничением формата может вызвать бесконечный цикл самопроверки без видимого ответа. Для этой версии разработчик рекомендует не комбинировать такие ограничения или увеличить бюджет генерации; в README указана исправленная версия v2.

AIN — арабско-английская мультимодальная модель MBZUAI на 7,1 млрд параметров, дообученная на базе qwen2-VL-7B. Она принимает изображения и текстовые запросы и предназначена для визуальных вопросов и ответов, OCR и анализа документов, а также понимания графиков, таблиц, видео и изображений из специализированных областей. Модель обучалась на 3,6 млн арабско-английских мультимодальных примеров; в карточке заявлены сильные результаты для арабского языка, двуязычные возможности и понимание культурного контекста. Архитектура основана на Qwen2-VL, поддерживает диалог и контекст до 32 768 токенов. Среди заявленных сценариев — медицинские изображения, сельское хозяйство, дистанционное зондирование и научная визуализация. Модель выдаёт текстовые ответы по содержимому изображений; для видео в README описана обработка локальных файлов. Указана лицензия MIT. Результаты и сравнительные заявления приведены авторами модели; качество на конкретных данных может отличаться.

Agnuxo/CAJAL-4B — текстовая генеративная модель семейства CAJAL, разработанная Франсиско Ангуло де ла Фуэнте (Agnuxo1) при участии коллег и связанная с экосистемой P2PCLAW. Модель предназначена для локальной генерации научных текстов, а также для ответов на вопросы и создания кода. В README заявлена специализация на подготовке научных статей и поддержка сценариев научных исследований. Модель содержит около 4 млрд параметров и относится к классу Text-Generation. Указаны английский и испанский языки. В качестве обучающих данных обозначен научный корпус, отобранный P2PCLAW. Модель рассчитана на запуск локально на CPU, GPU с CUDA или ROCm, а также на мобильных устройствах; поддерживаются варианты развертывания через Ollama и Transformers. Данные о точном базовом архитектурном семействе, размере контекстного окна, мультимодальности и результатах независимого тестирования не приведены. К сильным сторонам относятся относительно компактный размер, возможность локального использования и ориентация на научное письмо, программирование и научные вычисления. Ограничения включают отсутствие подробных бенчмарков, информации о качестве генерации, методах обучения и гарантии достоверности научных утверждений; поэтому результаты требуют проверки пользователем. Модель распространяется по лицензии Apache 2.0.

EVIE-Preview-4.5B — мультимодальная модель для поиска информации в визуальных документах, разработанная Tencent и представленная как предварительная версия EVIE. Она дообучена на базе Qwen/Qwen3.5-4B и использует архитектуру ColQwen3_5: визуально-языковая основа с линейным и полным вниманием формирует контекстные представления токенов, которые проецируются в векторы размерности 128. Для поиска применяется позднее взаимодействие MaxSim между токенами запроса и визуальными токенами страниц. Модель кодирует запросы и страницы документов для мультиязычного поиска по графикам, таблицам, научным отчётам, финансовой отчётности и сканированным формам. В README указано 4,54 млрд параметров; модель распространяется в формате safetensors, а карточка заявляет лицензию Apache-2.0. На ViDoRe V3 и ViDoRe V1+V2 представлены результаты бенчмарков, включая первое место в таблицах сравнения README. Поддерживаются запросы на английском, французском, немецком, итальянском, испанском, португальском и китайском языках; среди документов также упоминаются страницы на японском. Это предварительный чекпойнт: README рекомендует вместо него более новые модели EVIE. Для индексации он формирует много токен-векторов на страницу, поэтому объём индекса может быть значительным; приведённая оценка для 1 млн страниц при 1792 токенах на страницу — 420,5 ГиБ в BF16.

Llama-3-Hercules-5.0-8B — дообученная Locutusque языковая модель на базе Llama 3 8B. Она предназначена для выполнения инструкций, диалогов и вызова функций в научных и технических областях. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 8192 токенов; репозиторий содержит веса в формате safetensors. Модель подходит для научно-технических чат-ботов, образовательных помощников, пошаговых объяснений и генерации кода с использованием вызовов функций. В карточке заявлена работа с биологией, химией, физикой, математикой, медициной и информатикой. Сведения о поддерживаемых естественных языках не приведены. Модель может выдавать токсичный контент, галлюцинировать и допускать фактические ошибки, в том числе в специализированных темах; ответы и вызовы функций требуют проверки. Лицензия указана как llama3.

Pearl-7B-0211-ties — модель генерации текста, созданная Louis Brulé Naudet путём слияния четырёх моделей: Pearl-7B-slerp, WizardMath-7B-V1.1, WestLake-7B-v2-laser и NeuralTrix-7B-dpo. Она предназначена для генерации ответов и решения задач, сочетающих общие языковые способности с математическими и научными знаниями в области химии и биологии. Модель построена на архитектуре Mistral с плотной causal language model, содержит 7,1 млрд параметров и рассчитана на контекст до 32 768 токенов. В README приведены результаты оценки на Open LLM Leaderboard, включая тесты на рассуждение, знания и математику; эти показатели относятся к указанной автором оценке. Карточка указывает английский язык и лицензию Apache-2.0.