IV.6Научные исследования, математика и новые материалы

EXAONE Tabular — трансформерная фундаментальная модель для классификации и регрессии на структурированных табличных данных, разработанная LG AI Research. Она использует архитектуру Cross-axis Summary Transformer (CAST) и обучение в контексте: получает размеченные строки через интерфейс fit и предсказывает значения для новых строк без обновления градиентов и отдельного обучения на каждом наборе данных. В репозитории доступны отдельные контрольные точки классификатора примерно на 20,8 млн параметров и регрессора примерно на 21,1 млн параметров. Модель предназначена для задач обучения с учителем на таблицах в пределах проверенных размеров выборок и числа признаков. API в стиле scikit-learn поддерживает fit и predict, а классификатор также предоставляет predict_proba; модель можно использовать в sklearn.pipeline.Pipeline. В README сообщается о конкурентных результатах на TabArena, включая первое место среди классификаторов в описанном сравнении. При классификации нативная голова поддерживает до 10 классов; для большего числа классов применяется ECOC-декомпозиция, повышающая стоимость вывода. Большие наборы опорных примеров могут прореживаться, а очень большие входы выходят за пределы проверенного режима. Модель не предназначена для необработанных изображений, текста, аудио или видео. Код runtime лицензирован разрешительно, но веса доступны только для некоммерческих исследований и обучения.

MiMo-V2.6-Pro-MOPD — мультимодальная модель Xiaomi для диалогов и агентных сценариев с вызовом инструментов. Это обновлённый методом MOPD чекпойнт MiMo-V2.6-Pro-RL: несколько специализированных моделей-учителей дистиллированы в одну, в том числе для задач, где трудно задать надёжную автоматическую проверку. Обновление также снижает повторные и похожие вызовы инструментов. В README описана разреженная MoE-архитектура с 1,02 трлн общих и 42 млрд активируемых параметров, контекстом до 1 млн токенов и поддержкой текста, изображений, видео и аудио. Модель рассчитана на многошаговую работу с инструментами, длинные сценарии разработки игр, научные исследования и задачи воплощённого интеллекта; среди возможностей также указаны чат и интерфейс вызова инструментов. Метаданные Hugging Face указывают 27,7 млрд параметров и файлы safetensors в FP8, что расходится с архитектурными числами в README. В карточке указаны английский и китайский языки. Для развёртывания README приводит рецепты SGLang и vLLM; для рекомендованной конфигурации vLLM указаны восемь устройств tensor parallelism. Модель распространяется по лицензии MIT.

AronowLab разработала Bioformer-16L-UMLS-Pubmed_PMC-Forward_TCE-Epoch-3 — модель Sentence Transformer на архитектуре BERT для получения векторных представлений текстов. Модель содержит 50,3 млн параметров, кодирует предложения и абзацы в плотные векторы размерности 384 и принимает последовательности длиной до 1024 токенов. Для объединения токенов используется средний pooling, а сходство векторов можно оценивать косинусной мерой. Модель предназначена для семантического сравнения текстов, поиска по смыслу, поиска перефразировок, классификации и кластеризации. Она обучалась на парах anchor-positive из набора parquet с использованием MultipleNegativesRankingLoss; имя модели указывает на медицинскую тематику и связь с UMLS, PubMed и PMC. Лицензия в предоставленных данных не указана.

arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

TinyTimeMixer (TTM) Research-Use — компактная предварительно обученная модель прогнозирования временных рядов от IBM Research, построенная на архитектуре TinyTimeMixer. В этой версии около 1 млн параметров; модель предназначена для многомерного точечного прогнозирования временных рядов, преимущественно с минутной до часовой частотой наблюдений. Модель подходит для прогнозов без дообучения и для адаптации на целевых данных. Для разных настроек доступны варианты с контекстом 512, 1024 или 1536 точек и горизонтом прогноза до 720 точек; поддерживаются независимая обработка каналов и смешивание каналов, а также учет экзогенных и категориальных данных. По карточке модели, прогнозирование и дообучение можно выполнять на одной GPU или ноутбуке, включая CPU-сценарии. Релиз ориентирован на исследовательское использование и воспроизведение результатов статьи. Лицензия CC BY-NC-SA 4.0 запрещает коммерческое использование без отдельного разрешения; для коммерческих сценариев авторы указывают на релизы Granite. README не приводит конкретную частоту данных или набор предметных областей, поэтому применимость следует проверять на целевом ряду.

Florence-2-DocLayNet-Fixed — визуальная модель, которую разработчик дообучил на базе microsoft/Florence-2-large-ft с использованием датасета DocLayNet-v1.1. Она предназначена для анализа макета документов: находит области вроде подписей, сносок и формул и возвращает их классы и ограничивающие рамки по изображению страницы. В README сообщается об улучшении mAP50-95 на 7% после переименования классов в короткие токены. На тестовом наборе DocLayNet модель достигла 70%, а на подмножестве научных статей — 87%; авторы отмечают, что рамки получаются аккуратнее, чем у сравниваемых YOLO-моделей. Вес опубликован для дальнейшего исследования. Модель принимает изображение и выдаёт текстовое представление предсказаний; репозиторий содержит веса safetensors. Лицензия — Apache-2.0.

Metis-0.3 — диалоговая модель, созданная Mihaiii как дообучение Mistral-7B-Instruct-v0.2. Она предназначена для рассуждений и понимания текста, хорошо работает с длинными системными инструкциями и поддерживает диалоговый формат запросов. Модель имеет плотную архитектуру MistralForCausalLM с 7,1 млрд параметров и контекстом до 32 768 токенов. Модель обучена на закрытом наборе данных; автор отмечает высокий результат на GSM8K, но не связывает его с набором MetaMath. Она не предназначена для универсальной генерации, например для написания художественных историй. Распространяется по лицензии Apache-2.0.

PubMedBERT Embeddings 500K — компактная англоязычная модель эмбеддингов от NeuML для поиска и сопоставления медицинских текстов. Это версия PubMedBERT Embeddings 2M с сокращённым словарём: оставлена четверть наиболее часто используемых токенов. В метаданных указаны архитектура Model2Vec с плотными векторами, формат safetensors и контекст до 1 000 000 токенов. Модель подходит для построения семантического поиска и баз знаний для RAG, а также для сравнения вопросов с ответами, заголовков со статьями и статей с аннотациями. README приводит результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary; на этих тестах версия 500K показала лучшие результаты среди перечисленных компактных вариантов. Модель доступна по лицензии Apache 2.0.

Nemotron-3-Embed-8B-Medical — модель эмбеддингов для биомедицинских и клинических текстов на основе NVIDIA Nemotron-3-Embed-8B-BF16. Она предназначена для поиска медицинской литературы и доказательств, извлечения контекста для RAG, проверки научных утверждений и тематической организации исследовательских коллекций. Модель содержит 8 млрд параметров, использует архитектуру Ministral 3 и библиотеку Sentence Transformers; заявленная длина контекста — 262144 токена. К весам базовой модели добавлена низкоранговая голова кластеризации, обученная на внешней литературе PubMed. Она меняет проекцию эмбеддингов для группировки документов по клиническим темам, сохраняя размер выходного вектора 4096 измерений. В README указаны результаты MTEB Medical и улучшения на двух наборах для кластеризации; оценивание проводилось с mteb 2.18.6. Модель поддерживает английский, китайский и польский языки; характеристики для китайского и польского унаследованы от базовой модели. Голова настроена на клинические категории и может хуже подходить для других таксономий. Для кодирования документов в Sentence Transformers следует явно задавать prompt_name="document"; при больших пакетах и длинных текстах возможен высокий расход памяти. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели.

Granite-TimeSeries-PatchTST-FM-r1 — модель временных рядов от IBM, построенная на архитектуре PatchTST-FM. Она предназначена для прогнозирования временных рядов без дообучения на целевых данных и поддерживает вероятностные прогнозы с помощью квантильной головы. При наличии пропусков во входном контексте модель может одновременно восстанавливать пропущенные значения и прогнозировать будущие точки. Модель обучена на наборе разнородных временных рядов, синтетических данных и данных с аугментацией. Архитектура использует трансформер с размерностью 1024, патчи длиной 16 и 99 квантилей; README указывает около 260 млн параметров, тогда как метаданные репозитория — 335,5 млн. Контекст составляет 8192 точки и включает входной контекст и горизонт прогноза. Модель рассчитана на временные ряды, поэтому языковая поддержка к ней неприменима. README сообщает о результатах среди ведущих воспроизводимых zero-shot моделей на GIFT-Eval, но отмечает, что результаты ещё ожидали включения в бенчмарк. Модель распространяется по лицензии Apache-2.0. IBM указывает, что не обязуется предоставлять обновления или поддержку проекта.

cometadata/jina-reranker-v2-multilingual-affiliations-v5 — мультиязычный кросс-энкодер, дообученный на базе jinaai/jina-reranker-v2-base-multilingual с использованием библиотеки Sentence Transformers. Модель оценивает пары «запрос — документ» одним числовым баллом релевантности; баллы подходят для переупорядочивания результатов поиска и семантического поиска. В обучающих данных есть примеры сопоставления аффилиаций организаций и документов, а качество реранжирования оценивалось на наборе affiliation-val. Модель содержит 305,2 млн параметров, имеет архитектуру XLMRobertaForSequenceClassification и принимает последовательности длиной до 1026 токенов по метаданным. Карточка указывает мультиязычную поддержку. На affiliation-val указаны MAP 0,9356, MRR@10 0,9356 и NDCG@10 0,9548. Лицензия CC-BY-NC-4.0 разрешает использование на условиях некоммерческой лицензии.

Карточка модели mergekit-community/mergekit-slerp-rcoqutv 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.

Moirai-1.0-R-Base — модель временных рядов от Salesforce: универсальный трансформер с маскируемым энкодером, предварительно обученный на наборе LOTSA. Модель предназначена для прогнозирования временных рядов, в том числе многомерных рядов с целевыми переменными и известными значениями ковариат на горизонте прогноза. Архитектура использует разбиение рядов на патчи и трансформер для их обработки; выходные представления преобразуются в параметры смеси распределений прогноза. В README указано 91 млн параметров, а в метаданных — 99,1 млн. Модель распространяется в формате safetensors; для инференса авторы рекомендуют библиотеку uni2ts. Выпуск предназначен для исследовательских целей и не оценивался для всех возможных прикладных сценариев. Перед применением следует оценить точность и риски конкретного использования. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Time-RCD — модель исследовательской лаборатории thu-sail-lab для обнаружения аномалий во временных рядах без дообучения на данных пользователя. Она принимает одномерный или многомерный временной ряд и вычисляет оценку аномальности для каждого момента времени. В репозитории опубликована модель архитектуры Time_RCD на 29,4 млн параметров в формате safetensors с реализацией, совместимой с Transformers; для инференса авторы рекомендуют API TimeRCDDetector. Модель использует синтетические данные и относительное расхождение контекста для zero-shot-детектирования. В карточке приведены результаты на бенчмарке TSB-AD: VUS-PR 0,52 для одномерного и 0,32 для многомерного сценария. Модель предназначена для поиска аномальных участков во временных рядах, в том числе когда для конкретного ряда нет размеченных примеров и отдельное обучение нежелательно. Она подходит для мониторинга датчиков, метрик и других последовательных измерений, если их можно представить как одномерный или многомерный ряд. Языковой ввод не описан; задача относится к временным рядам. Модель распространяется по лицензии Apache-2.0. README не сообщает длину контекста и не описывает ограничения качества за пределами результатов на указанном бенчмарке.

NeuML/biomedbert-base-embeddings — англоязычная модель плотных эмбеддингов, разработанная NeuML и дообученная на базе NeuML/pubmedbert-base-embeddings с помощью Sentence Transformers. Она кодирует предложения и абзацы в векторы размерности 768 для семантического поиска, сравнения текстов и кластеризации медицинских публикаций, а также может служить источником знаний для RAG-систем. Обучение включало дистилляцию оценок модели biomedbert-base-reranker: использовались пары заголовков и аннотаций PubMed, а дообучение на полученных данных проводилось с KLDivLoss. Модель основана на архитектуре BERT, содержит 136,7 млн параметров и принимает текст с контекстом до 512 токенов. В README приведены результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary; модель показала среднюю корреляцию 96,87 по указанным тестам. Модель предназначена для англоязычных биомедицинских текстов. Лицензия Apache-2.0.

Карточка модели Atgenomix/icd_o_sentence_transformer_128_dim_model на Hugging Face совпадает с карточкой pritamdeka/BioBERT-mnli-snli-scinli-scitail-mednli-stsb, поэтому описание составлено по ней. 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.

Kairos-10M — компактная модель временных рядов, опубликованная mldi-lab и представленная в исследовательской работе «Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models». Она предназначена для прогнозирования временных рядов без дообучения на конкретной задаче и ориентирована на работу с данными из разных областей. Модель использует трансформерную архитектуру с адаптивной токенизацией патчей, кодировщиком с выбором размера токенов и динамическим позиционным кодированием DRoPE. В карточке указаны 3,7 млн параметров и контекст 512 токенов; README приводит приблизительную оценку в 10 млн параметров. Обучение проводилось на корпусе PreSTS, включающем более 300 млрд точек временных рядов. Kairos-10M заявлена как эффективная модель с обобщением на новые временные ряды без дополнительного обучения. Она работает с числовыми последовательностями и выдаёт прогнозы; сведения о поддерживаемых языках в карточке отсутствуют. Модель распространяется по лицензии Apache-2.0.

Карточка модели mergekit-community/mergekit-slerp-bqvdymn на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-mpovshq на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-qamquir на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели mergekit-community/mergekit-slerp-ryidhrq на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

Карточка модели CollectionStudio/chronos-2-small на Hugging Face совпадает с карточкой autogluon/chronos-2-small, поэтому описание составлено по ней. Chronos-2-Small — небольшая версия модели Chronos-2 от AutoGluon, предназначенная для прогнозирования временных рядов. Она построена на архитектуре T5 и содержит 22 млн параметров по метаданным Hugging Face; README указывает 28 млн параметров. Для работы используется библиотека chronos-forecasting. Модель подходит для построения прогнозов по временным рядам и может применяться как предварительно обученная модель для таких задач. В карточке указаны наборы данных autogluon/chronos_datasets и Salesforce/GiftEvalPretrain. Репозиторий содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. Данные карточки не уточняют поддерживаемые языки, конкретные отраслевые сценарии и ограничения качества прогнозов.

Карточка модели mergekit-community/mergekit-slerp-ffdcfot на Hugging Face совпадает с карточкой arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP, поэтому описание составлено по ней. arcee-ai/Hermes-2-Pro-WizardMath-7B-SLERP — объединённая языковая модель, созданная с помощью mergekit методом SLERP из NousResearch/Hermes-2-Pro-Mistral-7B и WizardLM/WizardMath-7B-V1.1. Это плотная авторегрессионная модель архитектуры Mistral с 7,1 млрд параметров, работающая через Transformers и распространяемая в формате safetensors. Для объединения использована конфигурация bfloat16 с весовой кривой, отдающей входные и выходные слои Hermes, а средние слои — WizardMath. Модель предназначена для генерации текста в диалоге и решения математических задач на естественном языке. Контекст составляет до 32 768 токенов; метаданные также отмечают интерфейс вызова функций. Карточка не содержит сведений о лицензии, поэтому условия использования по имеющимся данным определить нельзя. Качество решения задач и ограничения на применение отдельно не описаны.

nps-mpnet — модель на основе MPNet, разработанная для выявления предложений с описанием проблем и решений в патентах. Она дообучена на базе sentence-transformers/paraphrase-mpnet-base-v2 с использованием Sentence-Transformers и функции потерь CosineSimilarityLoss. Модель преобразует предложения и абзацы в плотные векторы размерности 768. Это позволяет сравнивать семантическую близость текстов, искать похожие фрагменты и группировать их; заявленное целевое применение — поиск предложений о проблемах и решениях в патентах. Модель принимает текст и выдаёт векторные представления. Она содержит 136,7 млн параметров и поддерживает контекст до 514 токенов. Для работы подходят Sentence-Transformers либо Transformers с корректной операцией pooling. В карточке не указаны лицензия и конкретный список языков; качество для языков помимо обучающих данных не подтверждено.

P2R-2B — модель для детализированного визуального рассуждения, представленная в работе Perceive-to-Reason: Decoupling Perception and Reasoning for Fine-Grained Visual Reasoning. Она дообучена на Qwen3-VL-2B-Instruct и использует двухэтапный подход P2R, который разделяет восприятие изображения и последующее рассуждение; обучение проводилось с помощью стратегии обучения с подкреплением PRA-GRPO. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. В README приведены результаты на V-Star, HR-Bench-4K, HR-Bench-8K и MME-RealWorld-Lite, где P2R-2B превосходит исходную Qwen3-VL-Instruct-2B по указанным метрикам. Репозиторий распространяется по лицензии Apache-2.0.

PubMedBERT Embeddings — модель NeuML, дообученная с помощью Sentence Transformers на базе PubMedBERT для создания эмбеддингов медицинских текстов. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, кластеризации и поиска релевантных фрагментов для RAG по медицинской литературе. Обучение использовало пары заголовков и аннотаций PubMed, включая похожие заголовки; README сообщает о сравнительной оценке на наборах PubMed QA, PubMed Subset и PubMed Summary. Модель построена на архитектуре BERT, содержит 136,7 млн параметров и принимает текстовые последовательности длиной до 512 токенов. Основной язык — английский. Для медицинской литературы она формирует более подходящие представления, чем модели общего назначения; дообучение на конкретной медицинской подотрасли может улучшить качество. Распространяется по лицензии Apache-2.0.

PubMedBERT Embeddings 100K — компактная модель статических эмбеддингов, созданная NeuML путём сокращения словаря версии PubMedBERT Embeddings 2M: оставлены наиболее часто встречающиеся 5% токенов. Модель предназначена для построения векторных представлений медицинских текстов, семантического поиска и использования в системах RAG; её можно подключать через txtai, Sentence-Transformers или Model2Vec. В карточке приведены результаты оценки на наборах PubMed QA, PubMed Subset и PubMed Summary. По сравнению с исходной моделью без сокращения словаря точность заметно снижается, хотя модель превосходит наивный дистиллированный вариант без обучения. Репозиторий содержит веса в формате safetensors; лицензия — Apache-2.0. Метаданные указывают контекст в 1 000 000 токенов.

GRM-OCR — компактная модель оптического распознавания символов от OrionLLM на 300 млн параметров, дообученная на основе tiiuae/Falcon-OCR. Она использует архитектуру Falcon-OCR с ранним объединением изображений и текста в одном Transformer без отдельного визуального энкодера и принимает изображения документов для извлечения текста. Модель предназначена для распознавания печатного и рукописного текста на сканах и фотографиях, а также для извлечения таблиц, формул, заголовков, подписей и других элементов документов. Для страниц со сложной структурой доступен двухэтапный сценарий: PP-DocLayoutV3 выделяет области, после чего GRM-OCR распознаёт содержимое каждого фрагмента. Модель рассчитана на локальный запуск, периферийные устройства и высокопроизводительную обработку; заявлена совместимость с vLLM. Репозиторий выпущен по лицензии Apache 2.0. README описывает OCR для разных типов документов, однако не приводит перечень поддерживаемых языков или измерения качества; результаты могут зависеть от качества изображения и сложности макета.

Apodex-1.1-mini-GGUF — GGUF-квантизированная версия reasoning-first модели Apodex 1.1, разработанной Apodex AI на базе Qwen/Qwen3.5-35B-A3B. Модель предназначена для сложных исследовательских задач с длительным горизонтом выполнения и агентных сценариев: поиска и анализа информации, подготовки отчётов, работы с файлами, наборами данных, электронными таблицами, изображениями, кодом и инструментами. Она может декомпозировать задачу, координировать параллельных субагентов, сохранять состояние, адаптировать план и учитывать обратную связь пользователя. Модель поддерживает текстовую генерацию и заявлена для английского и китайского языков. Для агентной работы предусмотрен нативный function calling, совместимый с шаблоном чата Qwen3.5; поддерживаются рассуждения и OpenAI-совместимые вызовы инструментов. Рекомендуемый максимальный контекст составляет 262144 токена, а максимальная длина генерации — 32768 токенов. В README также указана совместимость с запуском через llama.cpp и дополнительным мультимодальным проектором, однако полный перечень поддерживаемых модальностей и точные параметры GGUF-квантизации для данной карточки не раскрыты. Сильные стороны модели — ориентация на сквозное выполнение сложных задач, работа с внешними инструментами, командная агентная схема и встроенная проверка утверждений по источникам, данным и вычислениям. По приведённым результатам Apodex-1.1-mini особенно хорошо показывает себя в FrontierFinance и остаётся конкурентоспособной на APEX-Agent; при этом эти показатели зависят от Agent Team harness и не гарантируют аналогичное качество в каждом сценарии. Ограничения включают необходимость корректной настройки llama.cpp, парсеров шаблона и инструментов, а также отсутствие в README подробностей о размере файла, требованиях к аппаратному обеспечению и полной оценке надёжности. Лицензия — Apache 2.0.

olmOCR-2-7B-1025 — мультимодальная модель AllenAI с 7,1 млрд параметров, дообученная на основе Qwen2.5-VL-7B-Instruct на наборе olmOCR-mix-1025. Дополнительное обучение с подкреплением GRPO направлено на повышение качества распознавания математических формул, таблиц и других сложных случаев OCR. Модель предназначена для извлечения текста и структуры из изображений документов. Она принимает изображение страницы документа; для штатного использования рекомендуется подавать изображение, у которого наибольшая сторона составляет 1288 пикселей. Инструментарий olmOCR автоматизирует подготовку страниц PDF, поворот и повторные попытки распознавания, а масштабный инференс поддерживается через vLLM. Архитектура основана на Qwen2.5-VL, контекст — до 128 000 токенов; в этой карточке опубликована версия BF16. Модель подходит для OCR документов, в том числе таблиц и математических выражений. В README рекомендуется версия FP8 для практического применения, кроме дальнейшего дообучения; результаты бенчмарка приведены для работы через olmOCR toolkit. Распространяется по лицензии Apache-2.0.