IV.6Научные исследования, математика и новые материалы

fredzzp/esm2_t33_650M_UR50D — эффективная реализация ESM2 (Evolutionary Scale Modeling) с поддержкой Flash Attention; в README указано, что исходный код взят из FAPLM. Модель предназначена для заполнения пропусков в последовательностях белков и других задач языкового моделирования белковых последовательностей. Архитектура — плотная трансформерная ESM, вариант на 33 слоя; в метаданных указано 865,1 млн параметров и контекст до 1026 токенов. При наличии FlashAttention реализация может ускорять инференс и снижать расход памяти; без него используется PyTorch SDPA. Также заявлено исключение токенов паддинга из вычислений. Совместимость API с исходными моделями ESM2 упрощает замену реализации. Модель принимает текстовые последовательности белков и предсказывает замаскированные токены. Лицензия — MIT.

nvidia/esm2_t48_15B_UR50D — оптимизированная NVIDIA версия ESM-2, исходно разработанной Facebook Research и обученной предсказывать скрытые аминокислоты по последовательности белка. Модель использует трансформерную архитектуру NV-ESM с 48 слоями; в метаданных указано 20,1 млрд параметров. Веса оптимизированы библиотекой NVIDIA TransformerEngine, поэтому возможны небольшие численные отличия от исходной версии ESM-2. Модель принимает текстовую строку с последовательностью канонических аминокислот длиной до 1022 символов и выдаёт векторные эмбеддинги для каждого остатка и последовательности в целом. Её можно применять для получения признаков белка и дообучать для задач, использующих белковые последовательности; карточка также описывает её как модель для предсказания структуры белка. Поддерживаются задачи заполнения пропусков и классификации токенов. Модель обучена на последовательностях UniRef90 и UniRef50. Для инференса указаны Hugging Face Transformers, Linux и ускорители NVIDIA Ampere, Hopper и Blackwell. Карточка сообщает о готовности к коммерческому и некоммерческому использованию; метаданные указывают лицензию MIT. Последовательности длиннее 1022 символов автоматически обрезаются. При переносе результатов исходной версии следует учитывать возможные небольшие численные расхождения.

ESM-2 — модель семейства ESM, разработанная командой Meta AI для работы с белковыми последовательностями. Эта версия содержит около 9,8 млн параметров, использует архитектуру EsmForMaskedLM и обучена предсказывать замаскированные элементы последовательности; длина контекста составляет до 1026 токенов. Модель подходит для заполнения пропусков в белковых последовательностях и может служить основой для дообучения под задачи, принимающие белковую последовательность на вход. Более крупные варианты семейства обычно точнее, но требуют больше памяти и времени на обучение. Доступны веса в форматах PyTorch, Safetensors и TensorFlow. Лицензия — MIT.

Eubiota-Planner-8B — плотная причинная языковая модель примерно на 7,6 млрд параметров, разработанная Eubiota на базе Qwen/Qwen3-8B и дообученная методом GRPO-MAS для планирования научных исследований микробиома. Она предназначена для генерации гипотез о взаимодействиях хозяина и микробов, планирования экспериментов и координации агентов и инструментов при изучении научных вопросов. Модель работает с текстом и имеет контекстное окно до 40 960 токенов. В обучении использовались Microbio-Bench, PubMedQA, MedQA-USMLE и другие наборы данных; среди заявленных сценариев — поиск научной литературы и запросы к биологическим базам данных, включая KEGG. Карточка также сообщает об оценке на общебиомедицинских и специализированных бенчмарках микробиома. Модель может помогать исследователям формулировать механистические гипотезы, составлять планы экспериментов и выбирать последовательность инструментов для поиска и анализа данных. Это специализированная модель для научных задач, и её выводы требуют проверки; доступные материалы не подтверждают автономную надёжность планов или научных заключений. Лицензия — Apache-2.0.

Evo-1-131k-base — биологическая фундаментальная модель, разработанная Together AI для моделирования и генерации генетических последовательностей. Она предназначена для анализа на уровне отдельных нуклеотидов и задач масштаба целого генома. Модель использует гибридную архитектуру StripedHyena с многоголовочным вниманием и управляемыми свёртками. В карточке указаны 8,6 млрд параметров; модель обучена на данных OpenGenome и имеет контекстное окно 131 072 токена. В README также описана генерация последовательностей длиной более 650 тысяч символов. Evo-1-131k-base построена на базе Evo-1-8k-base и обучалась для работы с длинным контекстом. Для запуска требуются пользовательские ядра StripedHyena; README сообщает об исправленной ревизии 1.1_fix, поскольку прежняя перестановка некоторых проекций снижала качество генерации. Весы распространяются по лицензии Apache-2.0.

GB.DNA-7B — ДНК-модель семейства RNABert, разработанная GenBio AI для анализа и генерации нуклеотидных последовательностей. Она основана на плотном двунаправленном трансформере-энкодере BERT с 32 слоями, 32 головами внимания и размером скрытого слоя 4352; число параметров — 7,3 млрд. Модель обучена методом masked language modeling на 10,6 млрд нуклеотидов из геномов 796 видов. Она принимает последовательности ДНК с посимвольной токенизацией A, T, C, G и N и поддерживает контекст до 4000 нуклеотидов. Модель предназначена как основа для задач функциональной геномики, включая поиск геномных элементов, прогноз экспрессии генов, исследования мутаций in silico, аннотацию и направленную генерацию последовательностей. Для классификации последовательностей и отдельных нуклеотидов, регрессии и получения эмбеддингов из неё можно строить downstream-модели. Репозиторий содержит веса PyTorch и Safetensors. Лицензия указана как other, поэтому условия использования следует сверить с лицензией в карточке модели.

Taykhoom Dalal поддерживает порт gLM2-650M для Transformers: плотную геномную языковую модель на 650 млн параметров, изначально разработанную Cornman et al. из Tatta Bio. Модель обучена на датасете OMG с помощью masked language modeling и сочетает токены аминокислот и ДНК в одной последовательности; регистр букв различает эти алфавиты. Порт сохраняет веса исходной модели и поддерживает генерацию эмбеддингов и предсказание замаскированных токенов. Модель предназначена для анализа геномных последовательностей и белковых последовательностей, в том числе для восстановления замаскированных фрагментов и получения контекстных представлений для последующей тонкой настройки. Архитектура gLM2 включает 33 трансформерных слоя, 20 голов внимания и размерность эмбеддингов 1280; длина контекста — 4096 токенов. Лицензия — Apache-2.0. Токенизатор чувствителен к регистру, не добавляет автоматически CLS или EOS и требует корректно подготовить последовательности с учётом соглашений модели. Для задач классификации последовательностей необходимо самостоятельно объединять представления непустых позиций и добавлять предсказательную голову.

Модель Intern-S1-mini context-conditioned molecule transfer V10.3-TDC — BBB Martins разработана jiosephlee и представляет собой дообученную версию jiosephlee/Intern-S1-mini-lm: плотную авторегрессионную модель семейства Qwen3 с 7,6 млрд параметров. Она предназначена для контекстно-обусловленного переноса молекул в задаче, связанной с проницаемостью гематоэнцефалического барьера (BBB) и набором данных Martins. Модель распространяется как полный чекпойнт Transformers в формате safetensors и поддерживает контекст до 65 536 токенов. Чекпойнт выбран по метрике knn_binary_macro_f1_at_5 на валидационной выборке. В README приведены значения Macro-F1@5 0,8583 на валидации и 0,7944 на тесте; для сравнения, у базового Morgan vanilla на тесте указано 0,7806. Эти результаты относятся к описанному набору данных и протоколу оценки и сами по себе не подтверждают качество на иных данных. Сведения о лицензии в предоставленных источниках отсутствуют.

jiosephlee/intern-s1-mini-context-conditioned-molecule-transfer-v10-3-tdc-pinned-carcinogens-2xcwcpul — дообученный чекпойнт Intern-S1-mini для переноса результатов между анализами канцерогенности молекул. Модель на архитектуре Qwen3, плотная, содержит 7,6 млрд параметров и принимает текст; репозиторий содержит полные веса в формате safetensors. Она предназначена для контекстно-зависимого ранжирования молекул по активности в анализах TDC Carcinogens и выдаёт текстовые ответы. Чекпойнт выбран по метрике ranking_validation/overall/knn_binary_macro_f1_at_5 со значением 0,7545. В качестве основы использована jiosephlee/Intern-S1-mini-lm, а для обучения — набор context-conditioned-molecule-transfer-v10.3-tdc-carcinogens-mixed-canonical-intern. Метаданные указывают контекст до 65 536 токенов. Сведения о лицензии в предоставленных материалах отсутствуют.

Lobster_24M — белковая masked language model из семейства LBSTER, разработанного Prescient Design. Это энкодерная модель на основе архитектуры BERT для обучения представлений белковых последовательностей; её применяют для получения эмбеддингов, предсказания свойств белков и классификации последовательностей. Модель содержит около 24 млн параметров, обучена на UniRef50 и принимает последовательности длиной до 512 токенов. Модель рассчитана на анализ белковых последовательностей, а не на обычный текст. В карточке Hugging Face не указана лицензия, поэтому условия использования следует проверять отдельно перед внедрением. Для задач предсказания структуры и управляемого проектирования последовательностей в проекте LBSTER предусмотрены другие модели семейства.

ModernGENA-large — репакетированная на Hugging Face большая версия геномной модели AIRI Institute, созданная Aspidova и коллегами. Это плотный энкодер ModernBERT с 377,841,664 параметрами, 28 слоями и 16 головами внимания, предварительно обученный методом masked language modeling на 443 сборках геномов позвоночных. Контекст модели составляет 1 024 токена; токенизатор использует 32-тысячный BPE-словарь для ДНК и символов IUPAC, включая символы маскирования. Модель предназначена для предсказания замаскированных участков последовательности ДНК и получения векторных представлений геномных последовательностей, которые можно использовать в последующей тонкой настройке для задач классификации последовательностей. При обучении использовались прямые и обратнокомплементарные цепи; выборка охватывала области около уникальных сайтов начала транскрипции. Репакетирование проверено на побитовое совпадение с исходным чекпойнтом AIRI для представлений, MLM-головы и нескольких режимов внимания. Для загрузки пользовательского класса требуется включить trust_remote_code. Лицензия — Apache-2.0.

Nemotron-3-Labs-Ultra-Math-RL — языковая модель NVIDIA для математических рассуждений, генерации доказательств и проверки ошибок в доказательствах. Она предназначена для исследователей и разработчиков, создающих системы решения сложных математических задач. В составе ансамбля модель участвовала в системе, показавшей результат уровня золотой медали на Международной математической олимпиаде 2026 года. Это дообученная модель семейства Nemotron-3 с архитектурой Nemotron Hybrid LatentMoE: гибрид Mamba2 и Transformer с latent mixture of experts и multi-token prediction. В README указано 550 млрд параметров всего и 55 млрд активных; метаданные каталога указывают 29,6 млрд параметров. Принимает и выдаёт текст, поддерживает английский язык. Метаданные указывают контекст 262 144 токена, тогда как README заявляет до 1 млн токенов. Модель предназначена для запуска через vLLM и PyTorch на Linux с ускорителями NVIDIA; README называет совместимость с Ampere, Hopper и Blackwell. Она готова к коммерческому и некоммерческому использованию, однако лицензия в метаданных обозначена как other, поэтому перед использованием следует проверить её условия. Генерация математических доказательств может содержать ошибки и требует проверки.

InstaDeepAI разработала NTv3_generative — генеративную модель для проектирования геномных последовательностей на основе постобученной модели NTv3. Она использует условную архитектуру U-Net с адаптивными нормализациями слоёв и блоком Transformer, а обучение выполнено методом Masked Discrete Language Modeling (MDLM). Модель принимает последовательности ДНК, представленные символами A, T, C, G и N, и задаётся видом организма и уровнем активности от 0 до 4. Модель предназначена для контекстно-зависимой генерации фрагментов ДНК с заданной активностью, например для исследовательского проектирования геномных последовательностей. В README указаны входные последовательности длиной 4096 пар оснований и длина генерации 249 пар оснований. Базовая серия NTv3 описана как способная учитывать контекст до 1 Мб, однако этот предел не заявлен отдельно для данного генеративного чекпойнта. Лицензия обозначена как other; конкретные условия использования в предоставленных данных не раскрыты.

OmicAI-9B — модель семейства OmicAI от разработчиков omicverse, предназначенная для анализа омиксных данных и взаимодействия с инструментами omicverse. Это диалоговая модель генерации текста на базе XiaomiMiMo/MiMo-V2.6-Distill-Qwen-9B с архитектурой Qwen3.5-9B; её дообучили методом LoRA на траекториях OmicOS и OmicVerse, затем объединили адаптер с базовой моделью. Данные обучения включают воспроизведение опубликованных омиксных исследований, написание и выполнение кода, вызовы инструментов и восстановление после ошибок исполнения. Модель подходит для воспроизведения вычислительных анализов из научных публикаций, помощи с кодом и многошаговых задач в omicverse. Для запуска используется библиотека Transformers; карточка рекомендует шаблон чата qwen3_5, соответствующий обучению. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Метаданные указывают поддержку английского языка.

OpenMed-ZeroShot-NER-DNA-Large-459M — модель распознавания именованных сущностей в биомедицинских текстах, разработанная OpenMed. Она построена на архитектуре GLiNER и дообучена на корпусе JNLPBA, содержащем аннотации белков, ДНК, РНК, клеточных линий и типов клеток. Модель поддерживает zero-shot извлечение: типы сущностей можно задавать при использовании без дополнительного обучения. Модель предназначена для извлечения молекулярно-биологических сущностей из научной литературы и других биомедицинских текстов, в том числе для курирования биологических путей и анализа молекулярных взаимодействий. В README заявлен F1 0,822 на тестовой выборке JNLPBA, исключённой из обучения. Репозиторий использует формат PyTorch; лицензия — Apache-2.0. Языковая метка карточки — английский.

OpenMed-ZeroShot-NER-Genome-Large-459M — специализированная модель OpenMed для распознавания упоминаний генов и белков в биомедицинских текстах. Она использует архитектуру GLiNER и дообучена на корпусе BC2GM, содержащем аннотации упоминаний генов и белков в научных публикациях. Модель принимает текст и возвращает найденные сущности с разметкой токенов; заявлена возможность задавать типы сущностей без дополнительного обучения. Модель предназначена для извлечения генов и белков из биомедицинской литературы и поддержки курирования данных, поиска связей и анализа упоминаний. В README приведён результат F1 0,8616 на тестовой части BC2GM, исключённой из обучения. Заявления о распознавании произвольных типов сущностей не сопровождаются отдельными метриками, поэтому качество для пользовательских типов может отличаться. Репозиторий содержит веса PyTorch; лицензия Apache-2.0.

OpenMed-ZeroShot-NER-Protein-Small-166M — специализированная модель OpenMed для извлечения белковых сущностей из биомедицинских текстов. Она построена на архитектуре GLiNER и дообучена на корпусе FSU, посвящённом белкам, белковым взаимодействиям и молекулярной биологии. Размер модели по названию — 166 млн параметров; формат файлов — PyTorch. Модель выполняет распознавание именованных сущностей с нулевым обучением: пользователь задаёт типы сущностей, например белки, белковые комплексы, семейства и варианты, и получает их метки и фрагменты в тексте. Она предназначена для извлечения белковых сущностей из научной литературы и поддержки анализа взаимодействий белок–белок, сигнальных путей и системной биологии. В README приведён F1 0,75 на тестовых данных FSU; для редких или пользовательских типов сущностей предлагается экспериментировать с порогом обнаружения. Модель принимает текст и выдаёт размеченные сущности. В карточке заявлена поддержка английского языка. Распространяется по лицензии Apache-2.0. Показатель на FSU не гарантирует такую же точность на других корпусах и типах текста; обнаружение произвольных типов сущностей может требовать настройки порога.

PlasmidGPT-244M — условная языковая модель для генерации последовательностей плазмидной ДНК по заданным биологическим свойствам. Это GPT-2-подобный трансформер McClain с 244 млн параметров: 18 слоёв, 16 голов внимания, размерность эмбеддингов 1024 и контекст до 16 384 токенов. Словарь содержит 72 токена, включая специальные токены условий и нуклеотиды A, C, G и T. Модель обучена на 13 260 уникальных парах «запрос — последовательность» из дедуплицированных последовательностей плазмид Addgene. Условия могут задавать организм-хозяина, устойчивость к антибиотикам, содержание GC и другие свойства. Модель предназначена для исследовательского проектирования плазмидных последовательностей; карточка сообщает о 10 000 шагах обучения и лучшей проверочной perplexity 2,06. Лицензия — MIT.

ProtSent-V2-150M — модель GrimSqueaker на базе ESM-2, дообученная контрастивным обучением для получения векторных представлений белковых последовательностей. Она сопоставляет биологически похожим белкам близкие эмбеддинги и предназначена для поиска ближайших соседей, извлечения белков по сходству и кластеризации. Модель содержит 196,6 млн параметров, принимает аминокислотные последовательности длиной до 1026 токенов и выдаёт эмбеддинги фиксированного размера. Доступна через библиотеку Sentence Transformers. Обучение проводилось на парах из Pfam, AlphaFold DB и STRING-DB; обучающие данные очищены от совпадений с тестовыми последовательностями для задач удалённой гомологии и взаимодействия белков. В описанных экспериментах модель улучшает некоторые показатели поиска по сравнению с предыдущей версией, но не превосходит все методы поиска профилей по точности первого результата. Её преимущество ориентировано на геометрию ближайших соседей; для предсказания свойств обучаемым линейным классификатором выигрыш над исходной ESM-2 не показан. Лицензия — MIT.

ProtSent-V2-35M — модель эмбеддингов белковых последовательностей на базе ESM-2, дообученная контрастивным обучением разработчиком GrimSqueaker. Она преобразует последовательности аминокислот в векторы фиксированной длины, где близость векторных представлений отражает биологическое сходство белков. Модель предназначена для поиска похожих белков, кластеризации и переноса аннотаций по ближайшим соседям; контекст составляет 1026 токенов, размер — 44,3 млн параметров. По результатам README, версия V2 улучшает поиск по структурному сходству SCOPe-40 и точность классификации удалённой гомологии относительно ProtSent-V1 35M. Модель доступна в формате safetensors через Sentence Transformers. Лицензия — MIT. Ограничения: преимущество модели проявляется прежде всего в геометрии ближайших соседей; обученный линейный классификатор на финальном слое показывает примерно равные или немного худшие результаты, чем исходная ESM-2, на наборе задач предсказания свойств. Для предсказания свойств лучше может подойти промежуточный слой; фильтрация обучающих данных охватывала только тестовые наборы удалённой гомологии и взаимодействий белков.

QwQ-Unofficial-14B-Math-v0.2-GGUF — это GGUF-квантизированная версия языковой модели QwQ-14B-Math-v0.2, разработанной qingy2024 и подготовленной квантизатором bartowski. Модель предназначена для генерации текста и ориентирована прежде всего на математические задачи и рассуждения. В качестве обучающего набора указан qingy2024/QwQ-LongCoT-Verified-130K, а модель относится к семейству Qwen2 и поддерживает английский язык. Модель имеет около 14 миллиардов параметров и работает в текстовом режиме. В репозитории представлены варианты от F16 до низкобитных Q2–Q8, созданные с использованием imatrix в llama.cpp. Это позволяет выбирать между качеством ответов и требованиями к памяти; для большинства сценариев рекомендуются варианты Q4_K_M, Q5 и Q6. Доступен запуск через llama.cpp и LM Studio с указанным шаблоном prompt format. Сильными сторонами являются специализация на математике, наличие вариантов с разным балансом качества и размера, а также совместимость с локальным запуском. Ограничения включают отсутствие мультимодальности в заявленных данных, поддержку только английского языка и неизбежное снижение качества в наиболее компактных квантизациях. Размер контекста и подробные результаты оценки в README не указаны. Указанная лицензия — Apache-2.0.

RNA-FM — модель семейства BERT, разработанная исследовательской группой Jiayang Chen и опубликованная командой MultiMolecule как неофициальная реализация оригинальной RNA-FM. Она предварительно обучена на последовательностях некодирующей РНК из RNAcentral с помощью masked language modeling и предназначена для предсказания скрытых нуклеотидов и извлечения представлений последовательностей. Модель содержит 137,6 млн параметров, принимает последовательности РНК в виде текста и имеет контекст до 1026 токенов. Обучающий набор включал 23,7 млн нерезервированных последовательностей; при обучении U заменяли на T, а токенизатор может преобразовывать T обратно в U. Представления модели можно использовать как основу для последующего дообучения под задачи классификации или регрессии последовательностей и нуклеотидов, поскольку сама модель для них не дообучена. Для работы требуется библиотека multimolecule. Лицензия — AGPL-3.0.

EMBO/sd-ner — модель RoBERTa для распознавания биологических сущностей в научных текстах. Сначала базовую RoBERTa обучали на корпусе англоязычных научных текстов по биологии и медицине с задачей masked language modeling, затем дообучили для классификации токенов на вручную размеченном наборе EMBO/sd-nlp в конфигурации NER. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и доступна в форматах PyTorch и Flax. Модель предназначена для извлечения из аннотаций SourceData малых молекул, генов и белков, субклеточных компонентов, клеточных линий и типов клеток, органов и тканей, видов организмов и экспериментальных методов. Для работы требуется токенизатор roberta-base. Распространяется по лицензии AGPL-3.0.

SegmentNT-multi-species — модель InstaDeep для разметки геномных последовательностей на уровне отдельных нуклеотидов. Она дообучена на основе энкодера Nucleotide Transformer v2 500M multi-species: языковую голову заменили одномерной U-Net-головой сегментации. Модель содержит около 490,7 млн параметров по метаданным, принимает последовательности ДНК, токенизированные 6-мерами, и имеет контекст 2050 токенов. Модель предсказывает расположение семи геномных элементов: белок-кодирующих генов, 5′- и 3′-нетранслируемых областей, интронов, экзонов, акцепторных и донорных сайтов сплайсинга. Обучение проводилось на геномах человека, мыши, курицы, дрозофилы, данио-рерио и червя; для части видов набор аннотаций ограничен доступным подмножеством. Модель подходит для анализа и сегментации геномных последовательностей этих видов. Для загрузки весов указан формат PyTorch, а для использования README сообщает о необходимости устанавливать Transformers из исходного кода. Лицензия — CC-BY-NC-SA-4.0, с условиями атрибуции, распространения на тех же условиях и ограничением на коммерческое использование.

ANIMA-Neural-Hermes — языковая модель Severian для научных задач и биомимикрии. Это шестой последовательный этап дообучения исходной ANIMA-Phi-Neptune-Mistral-7B на наборе Neural-Hermes с примерами диалогов по STEM и биодизайну. Модель предназначена для многошагового диалога, помощи в биомиметическом процессе проектирования и обсуждения биологии и экологических наук. Она построена на плотной архитектуре Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов. Лицензия — MIT. Модель иногда продолжает диалог от имени обеих сторон и отвечает сама себе; в README это отмечено как известная проблема архитектуры Mistral.

monologg/biobert_v1.1_pubmed — языковая модель на архитектуре BERT, опубликованная monologg на Hugging Face. Это BioBERT, предварительно обученная на биомедицинских текстах PubMed; её назначение — извлечение и анализ информации из научных и медицинских текстов. Репозиторий предоставляет модель для заполнения пропусков в тексте (fill-mask), с 135,5 млн параметров и контекстом до 512 токенов. Модель работает с текстом и подходит как языковая основа для биомедицинских задач, например распознавания сущностей, извлечения отношений и ответов на вопросы после соответствующей настройки. Карточка указывает Transformers и варианты весов PyTorch, JAX и safetensors. Лицензия в предоставленных сведениях не установлена; базовая BioBERT опубликована исследовательской группой DMIS-Lab.

CellHermes-v1.0 — языковая модель для задач биологии и омиксных данных, разработанная на основе Llama 3.1 8B Instruct от Meta и дообученная на данных scRNA-seq и белок-белковых взаимодействий. В README указаны более 200 тысяч инструкционных примеров транскриптомов человека из CellxGene и 200 тысяч наборов данных о взаимодействиях белков из BioGRID; обучение охватывает разные типы клеток, состояния и ткани человека. Модель предназначена для понимания омиксных данных и может применяться для предсказания эффектов генетических возмущений, оценки клеточной приспособленности и классификации связей генов с заболеваниями. Она принимает текстовые представления биологических данных и выдаёт текст; метаданные также указывают поддержку извлечения признаков. Модель имеет 7,5 млрд параметров, архитектуру LlamaForCausalLM и контекст до 131 072 токенов. Лицензия — Llama 3.1.

ChatTS-8B-1103 — диалоговая модель ByteDance Research для понимания и рассуждений о временных рядах. Она построена на Qwen3-8B и дообучена на наборе ChatTS-Training-Dataset; содержит около 7,6 млрд параметров и использует архитектуру Qwen3TSForCausalLM. Модель принимает многомерные временные ряды переменной длины и размерности и поддерживает диалоговый анализ, включая вопросы о числовых значениях и статистических свойствах ряда. Модель предназначена для интерактивного исследования временных данных, поиска закономерностей и ответов на вопросы о пиках и изменениях в ряду. Контекст составляет до 40 960 токенов; заявлены английский и китайский языки. Для запуска используется Transformers, также README упоминает интеграцию с vLLM. Лицензия — Apache-2.0. README расходится в указании базовой модели для дообучения: в нём названы Qwen3-8B и Qwen2.5-14B-Instruct, тогда как метаданные и описание версии указывают на Qwen/Qwen3-8B.

ChemGPT 4.7M — компактная генеративная модель для молекулярного моделирования, основанная на GPT-Neo. В карточке указаны 5,6 млн параметров и контекст 2048 токенов. Модель разработана для генерации молекул и предварительно обучена на строках SELFIES, полученных из SMILES соединений PubChem10M. Модель предназначена для исследований молекулярной генерации и изучения влияния предварительного обучения и дообучения на последующие задачи. Она использует архитектуру GPTNeoForCausalLM и распространяется в формате PyTorch для запуска через Transformers. Карточка не указывает отдельную лицензию.

Dayhoff-170M-GRS-SS-14000 — модель для работы с белковыми последовательностями, созданная командой авторов, перечисленных в карточке Dayhoff. Она предназначена для исследовательских задач белкового языкового моделирования: генерации последовательностей, оценки эффектов мутаций и проектирования белковых каркасов по структурным мотивам. Модель основана на гибридной архитектуре Jamba: слои Mamba и Transformer чередуются с блоками Mixture-of-Experts. По метаданным, размер составляет 23,6 млн параметров, контекст — до 262 144 токенов; модель обучалась на данных Dayhoff. Модель генерирует белковые последовательности и поддерживает длинный контекст, включая развёрнутые множественные выравнивания последовательностей. Лицензия — MIT. Карточка предупреждает, что модель не предназначена для естественного языка или последовательностей ДНК, а сгенерированные белки не всегда реалистичны; получение качественных последовательностей без сходства с известными природными белками остаётся сложной задачей.