IV.6Научные исследования, математика и новые материалы

ChenShawn/DeepEyes-7B — мультимодальная модель для диалога и визуального рассуждения, дообученная авторами DeepEyes на основе Qwen/Qwen2.5-VL-7B-Instruct. Модель принимает изображения и текст и формирует текстовые ответы; в процессе обучения с подкреплением она научилась включать визуальную информацию в цепочку рассуждений и использовать инструменты визуального поиска, например увеличение фрагментов изображения для проверки ответа. Модель предназначена для анализа изображений, визуального заземления объектов, решения математических задач по изображению и снижения галлюцинаций в визуальных ответах. Архитектура — плотная Qwen2.5-VL для генерации текста по текстовым и визуальным входам; размер составляет 7,1 млрд параметров, контекст — до 128 000 токенов. В карточке указана поддержка английского языка. Модель распространяется в формате safetensors под лицензией Apache-2.0. README описывает обучение и заявляет улучшение результатов на задачах с изображениями высокого разрешения, однако не приводит численных оценок качества. Для запуска визуального поиска может требоваться интеграция с соответствующими инструментами; модель сама по себе не выдаёт изображения и её показатели на конкретных прикладных данных следует проверять отдельно.

Einstein-v4-7B — чат-модель Weyaxi, полученная полным дообучением Mistral-7B-v0.1 на разнообразных наборах данных с помощью Axolotl. Она предназначена для генерации ответов в диалоге и выполнения инструкций, в том числе для вопросов по физике, химии, биологии и математике, а также задач на рассуждение и общие знания. Модель содержит 7,1 млрд параметров, использует архитектуру Mistral и поддерживает контекст до 32 768 токенов; для диалогов предусмотрен шаблон ChatML. В карточке указаны англоязычные данные и наборы для STEM, вопросов и ответов, кода и общения. README приводит результаты нескольких тестов, но не описывает гарантируемое качество для конкретных задач. Модель опубликована в формате safetensors; лицензия указана как other, поэтому условия использования следует сверить с файлами репозитория и условиями базовой модели.

InternVL3-14B-GGUF — мультимодальная большая языковая модель, разработанная командой OpenGVLab и представленная в GGUF-формате Unsloth. Модель основана на OpenGVLab/InternVL3-14B и использует данные MMPR-v1.2; заявленная лицензия — Apache 2.0. Модель предназначена для задач, сочетающих работу с текстом и изображениями: мультимодального восприятия и рассуждений, анализа промышленных изображений, 3D-восприятия, использования инструментов и создания GUI-агентов. Поддерживается многоязычная работа, однако конкретный перечень языков в README не указан. Архитектура построена по схеме ViT-MLP-LLM: визуальная часть представлена InternViT-300M-448px-V2_5, языковая — Qwen2.5-14B, а между ними используется MLP-проектор. Размер языковой модели — 14 млрд параметров; модель поддерживает текстовую и визуальную модальности. Контекстное окно, точные характеристики GGUF-квантизации и требования к ресурсам в README не указаны. К сильным сторонам относятся мультимодальные возможности и широкий спектр прикладных сценариев, но качество и производительность могут зависеть от выбранного варианта квантизации и аппаратной конфигурации.

LuminariX-8B — языковая модель для диалогов и генерации текста, созданная объединением моделей Llama 3 с помощью mergekit. В состав слияния вошли Orenguteng/Llama-3-8B-Lexi-Uncensored, Weyaxi/Einstein-v6.1-Llama3-8B и cognitivecomputations/dolphin-2.9-llama3-8b-256k; метод слияния — model_stock. Модель имеет плотную архитектуру LlamaForCausalLM и около 7,5 млрд параметров. Модель предназначена для общения и генерации текста; базовая модель ориентирована на английский язык и включает научные и общие инструкционные данные с акцентом на задачи STEM. Заявленная длина контекста составляет 524 288 токенов. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0. Слияние включает модель с пометкой uncensored, однако README не описывает конкретные меры безопасности или результаты оценки качества. Практические результаты могут зависеть от промпта и используемого окружения.

MedEmbed Biomedical MRL — англоязычная sentence-transformers-модель для построения плотных векторных представлений предложений и абзацев в биомедицинском контексте. Модель на основе BERT имеет около 40 млн параметров, использует CLS-пулинг и нормализацию, выдаёт векторы размерностью 384 и сравнивает их по косинусному сходству. Максимальная длина входа — 512 токенов. Модель обучена на 4 012 парах текстов из JSON-датасета с использованием MultipleNegativesRankingLoss. Её можно применять для семантического поиска и сравнения текстов, поиска перефразировок, кластеризации и классификации биомедицинских текстов. Лицензия — Apache-2.0.

Карточка модели mergekit-community/mergekit-slerp-flctqsu 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-ghxdzjf 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-guwkdma 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-hwgrlbs 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-ovodfvr 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-rzooeoj 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-sictdhe 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.

MetaMath-Tulpar-7b-v2-Slerp — языковая модель, созданная Weyaxi слиянием MetaMath-Mistral-7B и Tulpar-7b-v2 методом SLERP с помощью mergekit. В качестве базовой архитектуры указана Mistral-7B-v0.1; модель плотная, содержит 7,1 млрд параметров и принимает текст, генерируя текст. Нативная длина контекста — 32 768 токенов. Модель предназначена для генерации текста; названия объединённых моделей указывают на математическую тематику и диалоговое применение. Репозиторий содержит веса Safetensors. Лицензия — Apache-2.0.

Optimus 7B — языковая модель для генерации текста, разработанная Talha Rüzgar Akkuş на базе архитектуры Mistral. В данном репозитории TheBloke публикует её квантизированные версии в формате GGUF. Модель ориентирована на англоязычные текстовые запросы и связана с набором данных MetaMathQA, поэтому может применяться в задачах математического рассуждения и других сценариях генерации текста. Размер модели составляет 7 миллиардов параметров. Поддерживается текстовая модальность, язык — английский. Файлы доступны в вариантах квантизации от 2 до 8 бит для запуска на CPU и GPU, в том числе через llama.cpp и совместимые интерфейсы и библиотеки. Используется шаблон запросов ChatML. Размер контекстного окна в README не указан. К сильным сторонам относятся возможность локального запуска, широкий выбор уровней квантизации и специализация на математической тематике. Ограничения включают отсутствие сведений о точных результатах оценки, размере контекстного окна и качестве на других языках; квантизация также может влиять на точность и качество генерации. Указанная лицензия — Apache-2.0.

phibert-finetuned-ner — модель Girinlp для распознавания именованных сущностей и другой разметки токенов. Это дообученная версия dmis-lab/biobert-v1.1 на наборе данных, название которого в карточке не приведено. Модель построена на архитектуре BERT и содержит 135,5 млн параметров; она принимает текст с контекстом до 512 токенов и выдаёт метки для токенов. Формат весов — PyTorch. Модель предназначена для задач разметки последовательностей, в частности NER. На указанном в карточке наборе оценки она получила F1 0,9226, precision 0,9238, recall 0,9213 и accuracy 0,9950. Карточка не уточняет языки, набор меток и область применения, поэтому результаты нельзя уверенно переносить на другие данные. Лицензия в предоставленных сведениях не указана.

STM — дообученная модель на основе Qwen3-0.6B, предназначенная для поиска и сопоставления биомедицинских текстов. Разработчики объединили четыре специализированных эксперта методом Linear, чтобы получить плотный ретривер для биомедицинского поиска. Модель содержит 507,9 млн параметров, построена на архитектуре Qwen3 и рассчитана на контекст до 40 960 токенов. Она принимает текст и предназначена для получения векторных представлений и оценки сходства предложений. Выпущена под лицензией Apache-2.0.

Карточка модели mergekit-community/mergekit-slerp-sclthpf 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-xxzrbzh 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.

Weyaxi/MetaMath-NeuralHermes-2.5-Mistral-7B-Linear — объединённая модель на основе Mistral с 7,1 млрд параметров. Она получена линейным слиянием MetaMath-Mistral-7B с весом 0,5 и NeuralHermes-2.5-Mistral-7B с весом 0,3; веса представлены в формате safetensors и типе float16. Модель предназначена для генерации текста, в том числе для математических запросов и диалоговых сценариев, сочетающих возможности двух исходных моделей. Она принимает текст и выдаёт текст, поддерживает контекст до 32 768 токенов. В метаданных указана лицензия Apache 2.0.

Molmo-72B-0924 — модель «зрение–язык» семейства Molmo, разработанного Allen Institute for AI. Это плотная мультимодальная модель с 129,6 млрд параметров: текстовый компонент основан на Qwen2-72B, а визуальный использует OpenAI CLIP. Модель обучалась на наборе PixMo из миллиона тщательно отобранных пар изображение–текст и принимает изображения вместе с текстовыми запросами, выдавая текстовые ответы. В метаданных указан контекст 4096 токенов, библиотека Transformers и поддержка чата. Модель предназначена для диалога по изображениям, описания визуального содержимого и ответов на вопросы о нём. В карточке сообщается о высоких результатах на академических бенчмарках и в оценке людьми среди мультимодальных моделей сопоставимого размера. Это предварительная версия Molmo; README говорит о применении в исследованиях и образовании. Лицензия — Apache 2.0. Для базовой Qwen2-72B указана отдельная лицензия Tongyi Qianwen, поэтому условия использования базовой модели также следует учитывать.

RaDeR Qwen2.5-7B NuminaMath MATH allquerytypes — модель для извлечения признаков и dense retrieval, разработанная CIIR при UMass Amherst. Её дообучили на Qwen/Qwen2.5-7B-Instruct на данных NuminaMath и MATH, охватывающих разные типы поисковых запросов по математическим задачам. Модель предназначена для построения векторного поиска и ранжирования документов по релевантности, особенно в задачах, требующих математических рассуждений. Она принимает текст и выдаёт признаки для поиска; карточка сообщает, что модели RaDeR показывают обобщение на наборы BRIGHT и RAR-b, но не приводит отдельную оценку этого чекпойнта. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2 и поддерживает контекст до 32 768 токенов. Указан английский язык. Лицензия — MIT. Для запуска карточка рекомендует vLLM с задачей embed и нормализацией выходных векторов.

SIRIS Lab разработала модель распознавания сущностей для разбора библиографических ссылок; она входит в пакет Citation Parser. Модель на базе DistilBERT дообучена для выделения из текста ссылок названий публикаций, авторов, тома, выпуска, года, DOI, ISSN, ISBN, страниц, журнала и редакторов. Модель предназначена для преобразования неструктурированных цитат в поля метаданных в академических базах данных, редакционных процессах подготовки рукописей и инструментах анализа цитирования. Она обрабатывает многоязычный текст, использует архитектуру RoBERTa для классификации токенов и имеет 151,8 млн параметров и контекст до 514 токенов. В README приведена оценка F1 0,9498 на тестовой выборке из 269 примеров. Модель распространяется по лицензии Apache 2.0. Результаты оценки получены на небольшом тестовом наборе; качество на других языках, форматах ссылок и реальных источниках может отличаться.

FastVLM-0.5B — компактная визуально-языковая модель Apple из семейства FastVLM, представленная в работе «FastVLM: Efficient Vision Encoding for Vision Language Models» на CVPR 2025. Она сочетает гибридный визуальный энкодер FastViTHD с языковой моделью Qwen2 и предназначена для диалога по изображениям и ответов на вопросы о визуальном содержимом. Модель содержит около 494 млн параметров и имеет контекст длиной до 32 768 токенов. FastViTHD сокращает число визуальных токенов и ускоряет обработку изображений высокого разрешения. В оценках авторов FastVLM-0.5B показала результаты на Ai2D, ScienceQA и MMMU; README также сообщает о более быстром TTFT по сравнению с LLaVA-OneVision-0.5B. Репозиторий содержит веса safetensors и указывает библиотеку ml-fastvlm. Модель принимает изображения и текстовые запросы, а ответы генерирует текстом. Лицензия — apple-amlr; перед использованием следует проверить её условия, особенно для коммерческих сценариев. Результаты бенчмарков относятся к оценкам авторов и не гарантируют качество на конкретных данных.

QuantFactory/MAmmoTH2-8B-GGUF — это квантизированная версия языковой модели TIGER-Lab/MAmmoTH2-8B, созданная QuantFactory с использованием llama.cpp. Базой служит Llama 3; модель предназначена для генерации текста и улучшения способностей к рассуждению благодаря дообучению на инструкциях. Указанный язык — английский, а исходный проект разработан TIGER-AI-Lab. Модель ориентирована прежде всего на решение математических задач, включая задачи из MATH, GSM8K и TheoremQA, а также на более общие задания рассуждения и вопросы с открытым или множественным выбором. В README указано, что для обучения использовались данные WebInstructSub, сформированные из примерно 10 миллионов пар инструкция–ответ, извлечённых из веб-корпуса. Модель можно применять через библиотеку Transformers в задачах text generation. Ключевая особенность этой версии — квантизация, которая может снизить требования к памяти и упростить локальный запуск по сравнению с полноразмерной моделью, однако конкретный тип квантизации, размер файлов, поддерживаемая длина контекста и точные аппаратные требования не указаны. В опубликованных оценках MAmmoTH2-8B показала результаты 35,8 на MATH, 70,4 на GSM8K и средний результат 54,3 по указанному набору тестов. Производительность зависит от сложности и специфики задачи; модель не охватывает все математические области одинаково хорошо. Лицензия — MIT.

MedEmbed Biomedical MRL — англоязычная модель Sentence Transformers на базе BERT, опубликованная пользователем potsu-potsu. Она преобразует предложения и абзацы в плотные эмбеддинги размерностью 768, нормализованные для сравнения по косинусному сходству. Модель обучена на 4 012 парах запросов и положительных ответов из биомедицинских текстов; поддерживает укорочение вектора до 512, 256, 128 или 64 измерений благодаря Matryoshka-обучению. Максимальная длина входа — 512 токенов. Модель предназначена для семантического поиска и ранжирования биомедицинских текстов, оценки сходства формулировок, поиска перефразирований, кластеризации и классификации на основе эмбеддингов. В карточке приведены результаты оценки информационного поиска при разных размерностях вектора. Лицензия Apache-2.0. Результаты и обучение описаны для английского языка; качество на других языках не подтверждено.

Карточка модели mergekit-community/mergekit-slerp-llfrpky 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-rfdxiqs 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-urmzxzt 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.

nasa-impact/nasa-smd-ibm-st, также называемая Indus-st, — биэнкодерная модель Sentence Transformers, разработанная IBM Research совместно с NASA Science Mission Directorate. Это дообученная версия энкодера nasa-smd-ibm-v0.1 семейства Indus; в метаданных указана архитектура RoBERTa и 151,8 млн параметров. Модель независимо кодирует пары предложений и оценивает их близость по косинусному сходству. Модель предназначена для поиска и извлечения научной информации, семантического поиска и сравнения предложений, в особенности по материалам NASA SMD. Она обучалась на большом наборе пар предложений и на 2,6 млн пар заголовков и аннотаций из документов NASA SMD. Принимает английский текст, выдаёт векторные представления для вычисления сходства. Контекст — до 514 токенов. Лицензия — Apache 2.0. Карточка помечает модель как устаревшую и предназначенную для архивного использования, рекомендуя обновлённую версию. В ней также указано, что модель находится на экспериментальной стадии; результаты могут уступать обновлённой версии, а заявленная специализация на материалах NASA SMD не гарантирует качество в других предметных областях.

QuantFactory/llama3-turbcat-instruct-8b-GGUF — квантизированная версия модели turboderp/llama3-turbcat-instruct-8b, созданная с использованием llama.cpp. Модель предназначена для генерации текста и диалоговых сценариев, включая ролевое взаимодействие и использование в качестве API или функции, где важно следовать системному промпту без нерелевантных дополнений. Модель основана на Llama 3 и имеет размер 8B параметров. Она поддерживает английский язык и начальную поддержку китайского, однако качество и полнота китайской поддержки ограничены выбором базовой модели. Для обучения и проверки данных использовались материалы по биологии, биомедицине, биофизике, биохимии, медицине, экзаменационным вопросам GRE, MCAT и китайским вступительным экзаменам в аспирантуру, а также данные для ролевых и сюжетных сценариев. В аннотации участвовали 20 специалистов с докторской степенью и постдоков. Сильные стороны модели — специализированные научные и медицинские данные, поддержка ролевого общения и более сбалансированное покрытие китайских задач по сравнению с англоязычными данными. Ограничения включают ограниченную поддержку китайского языка и отсутствие в README точных сведений о размере контекста, конкретном формате квантизации и показателях качества. Для 8B следует использовать формат чата Llama 3. Указанная лицензия — llama3.