IV.6Научные исследования, математика и новые материалы

SIRIS-Lab/citation-parser-SPAN — модель для разметки токенов, предназначенная для выделения и разбора элементов библиографических цитат. По идентификатору модели она ориентирована на обработку ссылок и цитирований в научных текстах, например на извлечение отдельных компонентов цитаты для последующего структурирования библиографии. Разработчик в доступных данных не указан. Модель построена на архитектуре DeBERTa-v2 и использует библиотеку Transformers. Она содержит около 211,6 млн параметров и поддерживает контекст длиной до 512 токенов. Основная модальность — текст; языки в метаданных и README не определены. Лицензия также не указана, поэтому условия распространения и коммерческого использования следует уточнить на странице модели.

Einstein-v4-phi2 — полноценно дообученная на разнообразных наборах данных модель Microsoft Phi-2, опубликованная Weyaxi. Она предназначена для генерации текста в формате инструкций и диалога ChatML, включая ответы на вопросы и рассуждения по научным и STEM-темам: физике, химии, биологии и математике. В обучающих данных также использовались наборы по общим вопросам, коду и диалогам. Модель имеет плотную архитектуру PhiForCausalLM и 3,5 млрд параметров. Она принимает текст и генерирует текст, поддерживает английский язык, а длина контекста составляет 2048 токенов. Карточка сообщает о полном дообучении в течение двух эпох с использованием Axolotl. В качестве ограничений следует учитывать компактный контекст и то, что ответы модели могут содержать ошибки, в том числе в научных рассуждениях. Лицензия указана как «other», поэтому условия использования следует сверить с файлами репозитория Hugging Face.

Gemma3-4B-Dark-Chain-of-Thought-CoT — дообученная диалоговая модель AiAsistent из серии Cognitive Liberty, предназначенная для генерации ответов с многошаговыми рассуждениями. Она основана на AiAsistent/gemma-3-4b-it-Cognitive-Liberty и использует архитектуру Gemma 3 с примерно 4 млрд параметров; веса опубликованы в формате safetensors и рассчитаны на работу через Transformers. Модель ориентирована на решение логических задач, сложные научные вопросы и академическое рассуждение. В README приведены результаты GPQA Diamond, MMLU и MMLU Humanities, однако это собственные заявленные авторами показатели. Карточка описывает обучение на наборе Dark-Chain-of-Thought-CoT и настройку с низким KL-дивергентным искажением базовой модели. Модель заявлена как менее склонная к отказам и ориентированная на свободные ответы, поэтому её ответы могут требовать проверки на точность и соответствие требованиям безопасности. Лицензия — Gemma; условия её использования следует сверять с лицензией Gemma.

RaDeR_Qwen25_3B_NuminaMath_MATH_allquerytypes — плотный ретривер для поиска документов по математическим запросам, разработанный CIIR при Университете Массачусетса в Амхерсте. Модель дообучена на Qwen/Qwen2.5-3B-Instruct на данных NuminaMath и MATH, подготовленных для retrieval и включающих разные типы запросов. Модель предназначена для построения эмбеддингов запросов и документов и их последующего сопоставления в системах поиска. В карточке сообщается, что ретриверы RaDeR, обученные математическому рассуждению, обобщаются на другие задачи поиска с рассуждениями и показывают результаты выше сильных базовых методов на BRIGHT и RAR-b. Архитектура — плотная Qwen2, размер — 3,1 млрд параметров, контекст — до 32 768 токенов; вход и выход — текст и векторные представления. Указана поддержка английского языка. Для запуска в карточке предлагается vLLM в режиме эмбеддингов с нормализацией векторов. Лицензия — MIT. Модель специализируется на математическом и reasoning-поиске; результаты на иных типах данных могут отличаться.

TabPFN-v2-clf — трансформерная базовая модель для классификации табличных данных, разработанная Prior Labs. Она применяет обучение на основе априорных распределений по данным и предназначена для классификации на небольших табличных наборах без отдельного обучения модели под каждую задачу. В репозитории размещены производственные базовые чекпойнты; файлы с суффиксом finetuned-* являются идентичными псевдонимами соответствующих базовых чекпойнтов. Модель работает с табличными данными и выдаёт результаты классификации. Для использования предусмотрена библиотека tabpfn на базе PyTorch. В карточке указана лицензия Prior Labs License — Apache 2.0 с дополнительным требованием атрибуции. README приводит требования к программной среде и оборудованию, но не сообщает о поддерживаемых естественных языках или конкретном пределе размера входного набора.

Aurigene AI разместила копию BiomedBERT от Microsoft, также известной как PubMedBERT для аннотаций и полных текстов. Это encoder-модель семейства BERT с 136,7 млн параметров, предварительно обученная с нуля на аннотациях PubMed и полнотекстовых статьях PubMed Central. Она принимает текст и предсказывает замаскированные токены в последовательностях длиной до 512 токенов. Модель предназначена для биомедицинского NLP и может служить энкодером для извлечения биомедицинских сущностей и отношений, а также для поиска и анализа научной литературы. В README заявлены сильные результаты на биомедицинских NLP-задачах и лидерство на Biomedical Language Understanding and Reasoning Benchmark. Доступны веса PyTorch и Flax; лицензия — MIT.

allenai/Flex-pes2o-2x7B-1T — языковая модель семейства FlexOlmo, разработанная Allen Institute for AI (AI2). Это вариант смеси экспертов (MoE), ориентированный на академические тексты; он входит в семейство моделей FlexOlmo, созданных для совместной работы с данными разных владельцев без передачи исходных данных. В метаданных указаны 6,9 млрд параметров, контекст до 4096 токенов и формат safetensors. Модель предназначена для генерации текста и диалоговых сценариев на английском языке, в том числе для работы с академическим содержимым. Карточка описывает семейство как систему независимых экспертов, обученных на разных корпусах, и сообщает, что академический эксперт основан на публичном экспертном чекпойнте. Для запуска требуется Transformers версии 4.57.0 или новее. Модель распространяется по лицензии Apache-2.0. README не приводит отдельной оценки качества именно этой MoE-версии: приведённый результат для академического эксперта относится к плотной модели, а не к версии 2x7B. Контекст ограничен 4096 токенами; заявленная возможность отключения вклада данных относится к парадигме FlexOlmo и не раскрывает деталей управления для этой конкретной публикации.

Weyaxi/MetaMath-neural-chat-7b-v3-2-Ties — объединённая модель на архитектуре Mistral, созданная методом TIES Merge из meta-math/MetaMath-Mistral-7B и Intel/neural-chat-7b-v3-2. В слиянии использованы веса 0,5 для MetaMath-Mistral-7B и 0,3 для neural-chat-7b-v3-2; плотность для обеих моделей указана как 0,5. Модель предназначена для генерации текста и объединяет математическую направленность MetaMath с возможностями диалоговой модели neural-chat. Она содержит 7,1 млрд параметров, поддерживает контекст до 32 768 токенов и распространяется в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит оценок качества или конкретных ограничений применения.

Pearl-7B-slerp — языковая модель на 7,1 млрд параметров, созданная Louis Brulenaudet слиянием mlabonne/OmniBeagle-7B и WizardLM/WizardMath-7B-V1.1 методом SLERP. Это плотная модель архитектуры Mistral для генерации текста, с особым акцентом на математические задачи; в карточке приведены результаты оценки на Open LLM Leaderboard, включая результат GSM8K 73,62. Модель принимает текст и генерирует текст. Заявленная длина контекста — 32 768 токенов; язык карточки и языковой тег указывают на английский. Репозиторий содержит веса safetensors и использует библиотеку Transformers. Модель распространяется по лицензии Apache-2.0. Приведённые оценки относятся к указанному в карточке бенчмарку и не гарантируют аналогичное качество на других задачах.

s1.1-32B — дообученная SimpleScaling плотная языковая модель семейства Qwen2, созданная на основе Qwen/Qwen2.5-32B-Instruct. Разработчики сообщают, что это преемник s1-32B с улучшенными способностями к рассуждению; при обучении использованы трассы рассуждений r1 для набора s1K-1.1. Модель имеет 32 млрд параметров, работает через Transformers и принимает текстовые запросы, в том числе в диалоговом формате. Модель предназначена для генерации текста и решения задач, требующих многошагового рассуждения, особенно математических задач. В README приведены результаты на AIME 2024 и AIME 2025 I; для сравнения s1.1-32B использовала budget forcing — игнорирование маркера завершения рассуждений и добавление «Wait» до четырёх раз, поэтому результаты зависят от этого приёма. Контекст модели составляет 32 768 токенов. Указанная лицензия — Apache-2.0.

TimeOmni-1-7B — языковая модель для рассуждений о временных рядах, опубликованная в репозитории anton-hugging. Это дообученная методом SFT и последующего обучения с подкреплением модель Qwen2.5-7B-Instruct с архитектурой Qwen2 и 7,1 млрд параметров. Она принимает текстовые запросы с данными или описаниями временных рядов и генерирует текстовые ответы; заявленная длина контекста — 32 768 токенов. Модель предназначена для решения разных задач анализа и рассуждений о временных рядах в единой системе, при этом авторы заявляют, что базовые способности к общим рассуждениям сохраняются. Карточка сообщает об оценке на бенчмарках, но сами таблицы результатов в доступном README опущены. Репозиторий содержит веса в формате safetensors, библиотека — Transformers; лицензия — Apache-2.0.

AmberYifan/capsd-qwen3-sciweb-stackexchange-Qwen3-4B-Base-science_cap_b4000_s0 — дообученная плотная языковая модель семейства Qwen3, разработанная на основе Qwen/Qwen3-4B-Base. В ней около 3,7 млрд параметров; модель принимает текст и генерирует текст, поддерживает контекст до 32 768 токенов. Модель обучена на наборе capsd_Qwen3-4B-Base-n80000-sciweb-stackexchange__mix_science_cap_b4000_s0. Название набора указывает на научные и Stack Exchange материалы, поэтому модель может быть полезна для генерации ответов и текста на соответствующие темы; подробное описание обучения и оценки в карточке отсутствует. Указана библиотека Transformers и формат весов safetensors. Лицензия обозначена как other, конкретные условия использования требуют проверки на странице модели.

Fireball-12B-v1.13a Philosophers — языковая модель EpistemeAI2 на архитектуре Mistral Nemo с 12,1 млрд параметров. Это дообученная версия EpistemeAI/Fireball-Mistral-Nemo-12B-cot-orcas; автор описывает дополнительное обучение на материалах по философии науки, математике и эпистемологии, а также на других наборах данных. Модель предназначена для генерации текста и ответов на инструкции, особенно в тематике философии, науки и математики. Карточка заявляет многоязычные возможности и контекстное окно 128 тыс. токенов; метаданные каталога указывают native context в 1 024 000 токенов, поэтому фактическую поддерживаемую длину контекста следует уточнять для используемой конфигурации. Архитектура — плотный трансформер MistralForCausalLM с 40 слоями и группированным вниманием запросов (GQA). Модель распространяется по лицензии Apache-2.0. README предупреждает, что у базовой модели нет встроенных механизмов модерации; для её применения следует отдельно предусмотреть фильтрацию входов и выходов. Заявления о превосходстве над другими моделями приведены автором, но в карточке нет опубликованных результатов бенчмарка для этой версии.

UNIST-Eunchan разработал FLAN-T5-NLP-Paper-to-Question-Generation — модель семейства T5, дообученную на базе google/flan-t5-large для создания вопросов и ответов по научным статьям. На вход подаются аннотация и введение статьи, а на выходе формируются пары «вопрос — ответ»; модель также предназначена для суммаризации научных и длинных документов, в том числе в форме вопросов и ответов. Модель содержит 385,2 млн параметров по метаданным, использует архитектуру T5ForConditionalGeneration и принимает текст с контекстом до 512 токенов. Карточка описывает обработку англоязычных NLP-статей и приводит примеры применения к научным публикациям из других областей. Для генерации нескольких пар используется top-p sampling. В README указано, что инференс на CPU может быть медленным; для GPU автор сообщает об ускорении примерно в 60 раз в сравнении с CPU на Colab T4. Модель распространяется по лицензии Apache-2.0. README сообщает о дообучении на датасете NLP-Paper-to-QA-Generation, основанном на QASPER; при этом в обучающую выборку включены train и test части этого датасета, поэтому результаты на связанных оценочных данных могут быть смещены.

Kairos-23M — трансформерная модель временных рядов от mldi-lab, представленная в работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения в разных прикладных областях. В модели используются динамическая токенизация патчами, кодировщик с выбором размера представления и динамические позиционные кодировки DRoPE, адаптирующиеся к спектральным особенностям ряда. В README указано около 23 млн параметров; метаданные Hugging Face содержат значение 8,3 млн параметров и контекст 512 токенов. Модель работает с временными рядами и ориентирована на обобщение между доменами без дополнительного обучения. Репозиторий использует формат Safetensors и библиотеку Transformers. Лицензия — Apache-2.0. README сообщает о обучении на корпусе PreSTS, содержащем более 300 млрд временных точек, и заявляет об эффективности модели при небольшом числе параметров; конкретные показатели качества не приведены.

llama-2-13b-chat-platypus — авторегрессионная языковая модель, дообученная Луисом Г. Алвесом на основе семейства LLaMA 2. В карточке указаны 12,9 млрд параметров, архитектура LlamaForCausalLM и контекст до 4096 токенов; веса доступны в форматах PyTorch и Safetensors. Модель предназначена для генерации текста и ответов на инструкции, особенно в задачах, связанных с STEM-дисциплинами и логикой. Она обучалась на наборе Open-Platypus и рассчитана прежде всего на английский язык. В приведённых тестах ARC и HellaSwag её результаты ниже, чем у Platypus2-13B и базовой llama-2-13b-chat-hf. Для использования требуется соблюдать лицензию Llama 2. Модель может выдавать неточные, предвзятые или нежелательные ответы; перед применением в конкретном продукте рекомендуется провести оценку безопасности и настроить ограничения.

Llama-3.2V-11B-cot — мультимодальная модель для работы с изображениями и текстом, созданная на основе Meta Llama 3.2 11B Vision Instruct и дообученная автором Xkev на наборе LLaVA-CoT-100k. Модель предназначена для диалогов, ответов на вопросы об изображениях и пошаговых визуальных рассуждений. Модель использует архитектуру mllama и содержит 11 млрд параметров. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; в карточке указана поддержка английского языка. Для воспроизведения результатов автор рекомендует параметры генерации с выборкой и ограничение ответа до 2048 новых токенов. В бенчмарках приведены результаты на MMStar, MMBench, MMVet, MathVista, AI2D и Hallusion. Модель распространяется по лицензии Apache-2.0; README также требует соблюдать политику допустимого использования Meta для базовой Llama 3.2. Среди ограничений отмечены возможная генерация предвзятого или оскорбительного контента и недостаточный по сравнению с ведущими промышленными моделями уровень следования инструкциям.

Strangemerges_32T3q-7B — созданная Maxime Labonne автоматическим слиянием моделей на основе Mistral. В конфигурации использованы Gille/StrangeMerges_32-7B-slerp и chihoonlee10/T3Q-Mistral-Orca-Math-DPO; применён метод dare_ties. В метаданных указана связь с T3Q-Mistral-Orca-Math-DPO как с дообученной базовой моделью. Модель предназначена для генерации текста по запросам, в том числе для математических вопросов и ответов. Она содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий использует формат safetensors, а лицензия — Apache-2.0. Данных о конкретных языках модели в предоставленных источниках нет.

TimeOmni-1-4B — модель для рассуждений о временных рядах, разработанная авторами проекта TimeOmni-1. Она создана на основе Qwen/Qwen3.5-4B и обучена в два этапа: supervised fine-tuning добавляет временные априорные знания, а обучение с подкреплением с целевыми для задач наградами улучшает устойчивость рассуждений. Модель предназначена для решения разных задач анализа временных рядов в диалоговом формате, сохраняя общие способности рассуждать. Авторы описывают её как обобщённую модель для применения к разным задачам временных рядов; конкретные примеры задач в доступном README не перечислены. Репозиторий содержит веса в формате Safetensors и предназначен для Transformers. Лицензия — Apache-2.0.

ColPali v1.3 HF — модель визуального поиска по документам, основанная на PaliGemma-3B и разработанная проектом ViDoRe. Она формирует многовекторные представления страниц документов и текстовых запросов, а затем сопоставляет их методом MaxSim в стиле ColBERT. Модель дообучена на парах «запрос — страница», преимущественно из академических наборов данных и веб-страниц PDF; обучающие запросы на английском языке. Модель предназначена для поиска релевантных страниц в визуально насыщенных документах, например PDF, когда важны не только извлечённый текст, но и визуальные особенности страницы. Она принимает текстовый запрос и изображение страницы документа, выдаёт векторы для поиска и оценки релевантности. Для загрузки используется библиотека Transformers; лицензия — Gemma. Для воспроизведения обученного формата следует установить префикс запроса «Query: »: поставляемый процессор по умолчанию использует «Question: ».

InternVL2-Llama3-76B — мультимодальная инструкция-модель OpenGVLab из семейства InternVL 2.0, объединяющая визуальный энкодер InternViT-6B-448px-V1-5, MLP-проектор и языковую модель Hermes-2-Theta-Llama-3-70B. Модель содержит 76 млрд параметров, использует архитектуру InternVLChatModel и доступна в формате Safetensors для Transformers. Модель принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы. Она предназначена для понимания документов, диаграмм, инфографики и сцен с текстом, OCR, визуальных вопросов и ответов, научных и математических задач, а также анализа нескольких изображений и видео. В README указано контекстное окно 8 тысяч токенов; обучение включало длинные тексты, несколько изображений и видео. Карточка обозначает модель как мультиязычную, но не перечисляет конкретные поддерживаемые языки. Модель подходит для визуального анализа и диалоговых сценариев, однако для видео в описанных оценках использовались 16 кадров, уменьшенных до 448×448 пикселей. Для больших запросов с несколькими изображениями расходуется больше токенов. Лицензия — Llama 3; перед использованием следует учитывать её условия.

Apodex-1.1-mini — модель для рассуждений и сложных многоэтапных задач, разработанная Apodex и дообученная на базе Qwen/Qwen3.5-35B-A3B. В карточке описаны работа с файлами, данными, кодом и инструментами, вызов функций и применение в агентных сценариях; модель следует шаблону чата Qwen3.5 и рассчитана на запуск через Transformers с совместимым сервером. Для версии mini приведены результаты оценок на финансовых и агентных бенчмарках, но подробности конфигурации самой модели в карточке ограничены. Модель предназначена для автоматизации исследований, подготовки отчетов и выполнения профессиональных задач с привлечением инструментов. По описанию Apodex, агентная система может разбивать работу на этапы, координировать параллельных агентов и проверять утверждения по источникам и вычислениям. В метаданных указаны архитектура семейства Qwen3.5 MoE, формат safetensors и базовая модель на 35 млрд параметров; эти сведения относятся к базовой модели, а размер самой Apodex-1.1-mini не приведён. Указана лицензия Apache-2.0. Оценки в README представлены разработчиком; независимая проверка результатов в карточке не описана. Для использования вызова инструментов нужны совместимые шаблон чата и парсеры, а работа с внешними файлами, кодом и агентной командой зависит от соответствующей инфраструктуры.

Infinity-Parser2-Pro — модель понимания документов от разработчиков Infinity-Parser2. Она предназначена для точного разбора изображений документов и выдачи структурированного текста, например в формате Markdown. Модель построена на архитектуре Qwen3.5 MoE и доступна через библиотеку Transformers; для обработки PDF и пакетных сценариев авторы также предлагают отдельную оболочку. Модель распознаёт текст и структуру страниц, анализирует макеты и таблицы, разбирает графики и формулы, включая химические, а также отвечает на вопросы по документам. По данным авторов, она набрала 87,6% на olmOCR-Bench и 74,3% на ParseBench. Репозиторий использует формат safetensors и распространяется по лицензии Apache-2.0. Основная область применения — документы на английском и китайском языках. Точность снижается на многоязычных документах, графиках со сложной структурой и страницах с повёрнутыми элементами; модель также не сохраняет мелкие особенности форматирования текста и может испытывать трудности со сложными многошаговыми инструкциями по изображению.

GPT-5.5 — фронтирная модель OpenAI для сложных профессиональных задач. Она развивает GPT-5.4, уделяя особое внимание рассуждению, надёжности и эффективности использования токенов при решении трудных задач. В README также указано контекстное окно более 1 млн токенов. Модель предназначена для сложных рабочих сценариев. Имеющихся сведений недостаточно, чтобы подтвердить архитектуру, поддерживаемые модальности, языки, лицензию или конкретные ограничения, поэтому эти характеристики не описаны.

Infinity-Parser2-Flash — мультимодальная модель понимания и разбора документов от Infly. Она основана на плотной архитектуре Qwen3.5 и предназначена для быстрого извлечения содержимого и структуры из изображений документов и PDF с выводом в Markdown или структурированном виде. Модель решает задачи OCR, анализа макета и порядка чтения, распознавания таблиц, графиков и химических формул, а также визуальных вопросов по документам. В README заявлены низкая задержка и скорость вывода в 3,68 раза выше, чем у предыдущей Infinity-Parser-7B; подробные показатели Flash в карточке не приведены. Модель работает с изображениями и текстовыми инструкциями, а её основной заявленный языковой охват — английский и китайский. Лицензия — Apache-2.0. Качество может снижаться на многоязычных документах, сложных графиках и повернутых элементах таблиц; модель не сохраняет тонкое форматирование текста и может ненадёжно выполнять сложные многошаговые инструкции по изображению.

Locutusque разработала Llama-3-NeuralHercules-5.0-8B — дообученную модель семейства Llama 3 для диалогов и решения сложных задач. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 8192 токенов. Она принимает текст и генерирует текстовые ответы; в карточке заявлена поддержка английского и многоязычное применение. Модель дообучена на Hercules v5.0 в течение двух эпох, а затем на mlabonne/orpo-dpo-mix-40k методом DPO. Её предполагаемые сценарии — ответы на вопросы, научное и математическое рассуждение, помощь с программированием и разбор медицинских текстов. Указана лицензия Llama 3 в метаданных, тогда как README заявляет Apache-2.0; условия лицензирования следует сверить с актуальными файлами репозитория перед использованием.

prithivMLmods/Qwen2-VL-OCR2-2B-Instruct — дообученная модель на основе Qwen/Qwen2-VL-2B-Instruct для распознавания текста на изображениях, понимания английского текста и решения математических задач с выводом формул в LaTeX. Это мультимодальная разговорная модель семейства Qwen2-VL с архитектурой Qwen2VLForConditionalGeneration и 1,5 млрд параметров. Она принимает изображения и текстовые запросы и генерирует текстовые ответы; длина контекста составляет 32 768 токенов. Модель подходит для извлечения текста из изображений и документов, разбора математических выражений и ответов на вопросы по визуальному содержимому. Карточка также описывает возможности базовой Qwen2-VL по анализу видео и многоязычного текста на изображениях, однако специализация этого дообучения сосредоточена на OCR и LaTeX. Модель опубликована под лицензией Apache-2.0.

Sonar Pro — языковая модель Perplexity, предназначенная для ответов на вопросы с поиском в интернете и опорой на найденные источники. По сравнению с базовым Sonar она рассчитана на более глубокий поиск по большему числу источников и синтез подробных ответов; поддерживает сложные многоэтапные запросы. Данных о размере, архитектуре, контекстном окне и лицензии в доступных источниках нет, поэтому эти характеристики не уточняются.

rithwik-db/e5-base_scifact_10000 — модель Sentence Transformers, разработанная пользователем rithwik-db. Она преобразует предложения и абзацы в плотные векторы размерности 768 для поиска по смыслу и кластеризации. Архитектура основана на BERT, размер модели — 136,7 млн параметров, максимальная длина контекста — 512 токенов; модель распространяется в формате PyTorch. Модель обучена с TripletLoss на евклидовом расстоянии и подходит для построения семантического поиска, группировки текстов и сравнения сходства предложений. Название и README указывают на связь с SciFact, однако конкретный набор данных и языки обучения не описаны. Лицензия в предоставленных данных не указана.

OpenResearcher-30B-A3B — дообученная языковая модель для агентского глубокого исследования, разработанная командой OpenResearcher на базе NVIDIA-Nemotron-3-Nano-30B-A3B-Base-BF16. Модель обучали на 96 тысячах примеров OpenResearcher-Dataset с диалогами длиной более 100 ходов; датасет создан дистилляцией GPT-OSS-120B с использованием браузерных инструментов. Архитектура — Nemotron-H с причинным декодером. В метаданных указаны 1,9 млрд параметров и контекст до 262 144 токенов. Модель предназначена для многошагового поиска и синтеза информации, а также длительных исследовательских диалогов. Карточка сообщает о результате 54,8% на BrowseComp-Plus; это заявление разработчиков и оно само по себе не гарантирует аналогичного качества в других условиях. Для работы с внешними источниками требуется подходящая интеграция инструментов: наличие интерфейса вызова инструментов в метаданных не означает, что браузер входит в комплект модели. Репозиторий использует Transformers и формат Safetensors; лицензия — MIT.