IV.6Научные исследования, математика и новые материалы

granite-vision-3.3-2b-chart2csv-preview — специализированная зрительно-языковая модель IBM, дообученная на основе ibm-granite/granite-vision-3.3-2b для извлечения табличных данных из графиков и визуализаций. Она принимает изображение графика и по рекомендуемому запросу формирует машиночитаемый CSV с числовыми значениями. Модель предназначена для извлечения данных из графиков в отчётах, презентациях и PDF, в том числе в конвейерах обработки документов Docling и системах мультимодального анализа. Для обучения использовались синтетические данные графиков, созданные по методологии ChartGen; IBM сообщает о повышенной точности чисел по сравнению с универсальными VLM. Архитектура соответствует Granite Vision 3.3 2B; модель построена на Llava Next и распространяется в формате safetensors. На низком разрешении, при сложной компоновке, перекрывающихся элементах или необычных типах графиков таблицы могут быть неполными или содержать ошибки. Результаты следует проверять перед использованием в аналитике с высокими последствиями; модель не предназначена для надёжного решения общих задач компьютерного зрения. Лицензия — Apache-2.0.

MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

VLAA-Thinker-Qwen2VL-7B — мультимодальная модель UCSC-VLAA для рассуждений по изображениям и тексту. Она дообучена на наборе VLAA-Thinking с применением supervised fine-tuning и reinforcement learning; модель построена на архитектуре Qwen2-VL и содержит 7,1 млрд параметров. Модель предназначена для диалоговых задач, где нужно анализировать изображение, связывать визуальные сведения с вопросом и давать обоснованный ответ. Среди подходящих сценариев — решение задач по диаграммам и графикам, визуальные вопросы и ответы, анализ документов и изображений с текстом, а также мультимодальные математические задачи. В README заявлены высокие результаты на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Модель принимает текст и изображения, выдаёт текст; родной контекст составляет 32 768 токенов. Для инференса README требует включать обучающий системный промпт. Доступны веса в формате safetensors, используется Transformers, лицензия — Apache-2.0. Подробные инструкции по использованию промпта и код инференса приведены в README.

Карточка модели miromind-ai/MiroThinker-v1.0-30B на Hugging Face совпадает с карточкой miromind-ai/MiroThinker-v1.0-8B, поэтому описание составлено по ней. MiroThinker-v1.0-8B — открытая исследовательская агентная модель, разработанная MiroMind на базе Qwen3-8B и дообученная для рассуждений с использованием инструментов и поиска информации. Она предназначена для многошаговых исследовательских задач: модель может запрашивать внешнюю информацию, вызывать инструменты, проверять результаты и уточнять ход решения. В описании заявлена поддержка до 600 вызовов инструментов за задачу. Модель имеет плотную архитектуру Qwen3ForCausalLM, около 7,6 млрд параметров и контекст до 262 144 токенов. Карточка сообщает об англоязычной версии; метаданные также отмечают диалоговый режим и интерфейс вызова инструментов. Модель распространяется в формате safetensors по лицензии MIT. Карточка приводит результаты на исследовательских бенчмарках, однако качество зависит от подключённых инструментов, настроек рабочего процесса и вычислительных ресурсов. Для полноценного агентного сценария нужны совместимая среда и инструменты; сама модель не выполняет внешние действия без них.

MOMENT-1-Large — крупная модель семейства MOMENT, разработанная Auton Lab при Университете Карнеги — Меллона для универсального анализа временных рядов. Она предназначена для прогнозирования, классификации, обнаружения аномалий, восстановления пропусков и получения представлений временных рядов; может применяться без дообучения или с небольшим числом примеров, а также настраиваться на специализированных данных. Модель относится к семейству foundation-моделей для временных рядов. В README указаны варианты Small, Base и Large, но точное число параметров и длина контекста для этого репозитория не приведены. Веса доступны в форматах PyTorch и safetensors. Лицензия — MIT.

gubartz/st_scibert_pubmed_rct — модель Sentence-Transformers на архитектуре BERT, обученная для представления предложений и абзацев в виде плотных векторов размерности 768. Её можно использовать для семантического поиска и кластеризации текстов; размер модели составляет 137,1 млн параметров, максимальная длина контекста — 512 токенов. Модель обучалась с функцией потерь BatchAllTripletLoss. Для получения эмбеддингов её можно запускать через Sentence-Transformers или Transformers с подходящей операцией pooling. Она предназначена для текстовых входов и выдаёт векторы; формат весов в репозитории — PyTorch. Метаданные и README не сообщают лицензию или конкретные языки обучения, поэтому их нельзя уточнить.

pritamdeka/SapBERT-mnli-snli-scinli-scitail-mednli-stsb — модель Sentence-Transformers на базе BERT, разработанная для получения плотных векторных представлений предложений и абзацев. Она содержит 136,7 млн параметров, формирует эмбеддинги размерности 768 и принимает последовательности длиной до 512 токенов. Модель обучена на SNLI, MNLI, SCINLI, SCITAIL, MEDNLI и STSB с использованием CosineSimilarityLoss. Её можно применять для семантического поиска, сравнения смысловой близости текстов и кластеризации, в том числе медицинских и научных текстов. Для использования через Transformers требуется корректно выполнить pooling контекстных представлений. В карточке нет сведений о лицензии и явно заявленной поддержке языков, поэтому условия использования и языковой охват по этим источникам установить нельзя.

Это англоязычная модель Sentence Transformers, разработанная пользователем jaimevera1107 и дообученная на базе sentence-transformers/all-MiniLM-L6-v2 на 67 560 парах предложений с оценками сходства. Архитектура основана на BERT: энкодер с усреднением токенных представлений и нормализацией формирует плотные векторы размерности 384. Метаданные указывают 25,9 млн параметров и контекст до 512 токенов; в README заявлена максимальная длина последовательности 256 токенов. Модель предназначена для семантического сравнения предложений и абзацев, семантического поиска, поиска перефразировок, кластеризации и классификации текстов. Она выдаёт векторы, которые можно сравнивать косинусным сходством; примеры обучающих данных относятся к биомедицинской тематике, поэтому модель может быть полезна для поиска и сопоставления научных текстов этой области. Лицензия в предоставленных данных не указана.

Snowball 67B-A2B SFT Stage 2: Thinking — текстовая модель генерации и диалога, разработанная в рамках кампании supervised fine-tuning Marin. Это BF16-экспорт для Hugging Face и vLLM; архитектура Grug MoE, число параметров по метаданным — 2,8 млрд, контекст — до 32 768 токенов. Модель сохраняет токенизатор Marin и специальные токены Delphi. Модель предназначена для генерации ответов и рассуждений в диалоге. Она продолжает обучение финального чекпойнта Stage 1 Chat на наборе данных laion/llama-nemotron-science-reasoning-on-canonical-think-full: один упакованный проход, 630 шагов; в карточке это обозначено как Stage 2 Thinking. Лицензия — Apache-2.0.

PokeeResearch-7B — языковая модель-агент для глубокого исследования, разработанная Pokee AI и дообученная на базе Qwen2.5-7B-Instruct с применением обучения с подкреплением по обратной связи от ИИ. Это плотный декодерный трансформер Qwen2 с 7,1 млрд параметров и контекстом до 32 768 токенов; веса опубликованы в формате safetensors. Модель предназначена для многошаговых исследовательских сценариев: разбиения сложных запросов на подзадачи, работы с внешними источниками, проверки сведений и синтеза ответов. Её можно использовать как исследовательского помощника или компонент многоагентной системы; возможности поиска зависят от подключённых инструментов и внешних данных. В README заявлена поддержка английского, китайского и других языков, однако карточка модели указывает английский. Обучение проводилось на открытых вопросно-ответных примерах датасета MiroRL-GenQA, а оценивание описано на десяти исследовательских и QA-бенчмарках. Разработчик сообщает о сильных результатах среди открытых агентов масштаба 7B, но приведённая таблица неполна, поэтому это заявление нельзя полностью проверить по карточке. Модель может ошибаться при противоречивых или недостаточных источниках, зависит от качества поиска и подвержена смещениям обратной связи. Ответы и ссылки следует перепроверять; README предостерегает от использования модели для решений с высокими ставками без внешней проверки. Лицензия — Apache 2.0.

NeuML разработала PubMedBERT ColBERT — модель PyLate, дообученную на базе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и сопоставляет тексты с помощью операции MaxSim, сохраняя отдельные векторы токенов вместо усреднения в одно представление. Модель рассчитана на семантический поиск и сравнение текстов в биомедицинских публикациях, включая построение поисковых индексов и источников знаний для RAG. В README приведены результаты оценки на PubMed QA, PubMed Subset и PubMed Summary; авторы отмечают пригодность модели для поиска и использования в качестве первого этапа конвейера с последующим реранжированием. Она имеет архитектуру BERT, содержит 136,7 млн параметров и поддерживает контекст до 512 токенов. Модель ориентирована на английский язык и распространяется по лицензии Apache-2.0. README отмечает, что по общей оценке модель уступает некоторым сравниваемым моделям; для высокоточного ранжирования может потребоваться отдельный реранкер.

StrangeMerges_52-7B-dare_ties — слитая модель на архитектуре Mistral, созданная автором Gille с помощью LazyMergekit из пяти моделей: WizardMath-7B-V1.1, Percival_01-7b-slerp, Einstein-v4-7B, NeuralMaths-Experiment-7b и StrangeMerges_35-7B-slerp. Модель предназначена для генерации текста, в том числе ответов на вопросы и решения математических и логических задач. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. В репозитории размещены веса safetensors; заявлена лицензия Apache-2.0. В README приведены результаты Open LLM Leaderboard, включая оценки по AI2 Reasoning Challenge и HellaSwag.

tabUM v1.1 — небольшая табличная foundation-модель Heldernóid с 14,31 млн параметров и трёхэтапной архитектурой трансформера для обучения в контексте. Она выполняет zero-shot-классификацию и регрессию: при вызове fit(X, y) сохраняет обучающие строки, а predict(X_test) использует их в одном проходе модели, без дообучения на пользовательских данных. Модель обучена на синтетических задачах, поддерживает таблицы до 2 000 признаков и 100 классов, обрабатывает пропуски как отдельный сигнал и может выдавать калиброванные вероятности, распределения регрессии и объяснения предсказаний. Модель рассчитана на быстрые предсказания по табличным данным, особенно на небольших и шумных наборах, задачах с большим числом классов и данными с пропусками. README указывает, что проверялась работа с контекстом до 64 000 строк; для регрессии на больших малошумных наборах градиентный бустинг может быть предпочтительнее, а текстовые столбцы следует заранее удалить или закодировать. Доступна опциональная адаптация finetune() на конкретном наборе данных. Лицензия — MIT.

Bioformer-16L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-2 — модель Sentence Transformer на архитектуре BERT, представленная пользователем pankajrajdeo. Она преобразует предложения и абзацы в плотные векторы размерности 384 для поиска и сравнения текстов по смыслу. Модель обучалась на парах anchor–positive из набора parquet; название указывает на связь с биомедицинскими текстами UMLS, PubMed и PMC, однако README не раскрывает подробности происхождения данных или обучения. Модель подходит для семантического поиска, оценки сходства предложений, поиска перефразировок, кластеризации и классификации текстов. В README указаны максимальная длина последовательности 1024 токена и косинусная мера сходства; метаданные подтверждают 50,3 млн параметров и формат safetensors. Обучающие примеры англоязычные, поэтому модель ориентирована на английский. Лицензия в предоставленных сведениях не указана. Результаты зависят от предметной области и качества текста; README не приводит оценки на независимых тестах, а заявленная связь с биомедицинскими источниками не сопровождается описанием состава или качества датасета.

PubMedBERT Embeddings 8M — англоязычная модель статических текстовых эмбеддингов, созданная NeuML как дистиллированная версия NeuML/pubmedbert-base-embeddings с библиотекой Model2Vec. Она преобразует тексты в векторы для семантического поиска, сравнения предложений и построения баз знаний для RAG; подходит для сценариев с ограниченными вычислительными ресурсами и требованиями к низкой задержке на CPU или GPU. Модель оценивалась на наборах PubMed QA, PubMed Subset и PubMed Summary: результаты конкурентоспособны, но не всегда превосходят другие модели из сравнения. Размер контекста в метаданных указан как 1 000 000 токенов. Распространяется по лицензии Apache-2.0.

mghuibregtse/biolinkbert-large-simcse-rat — англоязычная Sentence Transformers модель, дообученная автором на базе michiyasunaga/BioLinkBERT-large для оценки семантической близости предложений и абзацев. Она кодирует текст в плотные векторы размерностью 1024; сходство векторов можно сравнивать косинусной мерой. Архитектура включает BERT-энкодер с усреднением токенных представлений, а длина последовательности по метаданным — до 512 токенов. Модель подходит для семантического поиска, поиска перефразировок, кластеризации и классификации текстов, особенно в биомедицинских сценариях: обучающие и проверочные примеры содержат идентификаторы генов и названия биологических сущностей. В README для набора val-eval приведена корреляция Спирмена 0,7408 по косинусному сходству. README указывает максимальную длину 128 токенов, что расходится с метаданными о контексте в 512 токенов; при практическом использовании следует учитывать ограничение фактической конфигурации модели. Модель содержит 432,2 млн параметров и опубликована в формате safetensors. Сведения о лицензии в предоставленных источниках отсутствуют.

Карточка модели mergekit-community/mergekit-slerp-jfynlwk на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-werhsur на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели Hanuman2/mergekit-slerp-xwepacy на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

NeuML разработала BiomedBERT ColBERT — англоязычную модель эмбеддингов с несколькими векторами, дообученную на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она кодирует предложения и абзацы в последовательности плотных векторов размерностью 128 и оценивает их сходство с помощью позднего взаимодействия ColBERT и оператора MaxSim. Модель предназначена для семантического поиска и извлечения релевантных фрагментов из биомедицинских текстов, в том числе как источника контекста для RAG. Её можно применять для поиска по большим коллекциям публикаций, подбора ответов на вопросы по медицинской литературе и ускоренного переранжирования результатов. В README приведены оценки на PubMed QA, PubMed Subset и PubMed Summary; автор отмечает, что модель превосходит включённые в сравнение модели на среднем результате. Она не является cross-encoder, а её контекст ограничен 512 токенами. Модель содержит 136,7 млн параметров, распространяется в формате safetensors и доступна по лицензии Apache-2.0.

Causilo — предварительно обученная фундаментальная модель для табличных данных, разработанная Nums AI Inc. Она поддерживает классификацию и регрессию и предоставляет интерфейс, совместимый со scikit-learn; в репозитории есть отдельные веса и конфигурации для классификатора и регрессора. Модель предназначена для применения в задачах машинного обучения на структурированных таблицах. Для работы используются PyTorch и библиотека causilo; веса опубликованы в формате safetensors. В README указаны требования Python 3.10–3.12 и PyTorch 2.13 или новее. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-ijnxdha на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-lnhotro на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-qzxjuip на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-tejngyg на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Карточка модели mergekit-community/mergekit-slerp-zonivkr на Hugging Face совпадает с карточкой mergekit-community/mergekit-slerp-gmjabaw, поэтому описание составлено по ней. mergekit-community/mergekit-slerp-gmjabaw — объединение языковых моделей, созданное сообществом с помощью mergekit и метода SLERP. В него вошли NousResearch/Hermes-2-Pro-Mistral-7B и WizardLMTeam/WizardMath-7B-V1.1; конфигурация использует Hermes в начальных и конечных слоях, а WizardMath — в средних. Модель основана на плотной архитектуре Mistral, содержит 7,1 млрд параметров и принимает текст для генерации текста в диалоговом формате. Заявленная длина контекста — 32 768 токенов. Модель подходит для диалогов, выполнения инструкций и математических запросов, сочетая возможности входящих в объединение моделей. В метаданных указана библиотека Transformers и формат safetensors. Лицензия в предоставленных сведениях не указана.

Platypus2-70B-instruct — англоязычная авторегрессионная языковая модель на архитектуре LLaMA 2, созданная объединением Platypus2-70B от Cole Hunter и Ariel Lee с Llama-2-70b-instruct-v2 от upstageAI. Модель насчитывает 68,7 млрд параметров, принимает текстовые инструкции и генерирует текст; её контекст составляет 4096 токенов. Модель предназначена для ответов на инструкции и задач рассуждения, в том числе по STEM-темам и логике. Для Platypus2-70B использовался датасет Open-Platypus, а в метаданных также указан OpenOrca. Оценка проводилась на английском языке; результаты включают ARC, HellaSwag, MMLU и TruthfulQA. Модель может выдавать неточные, предвзятые или нежелательные ответы, а испытания не охватили все сценарии применения. Лицензия CC BY-NC 4.0 разрешает использование на некоммерческих условиях с указанием авторства.

eenzeenee/t5-small-korean-summarization — модель семейства T5, разработанная на основе paust/pko-t5-small и дообученная для суммаризации корейских текстов. Она предназначена для создания кратких изложений научных статей, книг и материалов с итоговыми формулировками и отчётами. Модель содержит 55,1 млн параметров и использует архитектуру T5ForConditionalGeneration; репозиторий предоставляет веса в форматах PyTorch и Safetensors. Модель ориентирована на корейский язык и обучалась на трёх наборах данных: для суммаризации научных публикаций, книг, а также для составления кратких выводов и отчётов. Лицензия в доступных сведениях не указана.

Apodex-1.0-2B-SFT — диалоговая модель и инструментальный ReAct-агент для глубокого исследования с проверкой источников. Её разработала команда Apodex на базе Qwen/Qwen3.5-2B; модель дообучена в формате SFT. В каталоге указаны плотная архитектура семейства Qwen3.5 и веса safetensors. Модель принимает текстовые запросы и может выдавать текстовые ответы и вызовы инструментов. Модель предназначена для многошагового поиска и синтеза информации: агент использует инструменты, собирает свидетельства и формирует проверяемые выводы. В карточке также описан режим Apodex-1.0-H с командой специализированных субагентов и глобальным проверяющим, однако это развернутый агентный режим, а не отдельная возможность данного чекпойнта. Для запуска рекомендуются SGLang или vLLM с шаблоном чата Qwen3.5 и поддержкой вызова инструментов. Карточка заявляет сохранение общих возможностей базовой модели, но приведённые результаты показывают, что версия 2B уступает более крупным версиям Apodex на тестах глубокого исследования. Поддерживаемые языки по метаданным — английский и китайский. Лицензия — Apache-2.0.