IV.6Научные исследования, математика и новые материалы

LLaMat-2 — языковая модель для задач материаловедения, разработанная M3RG и DAIR при IIT Delhi. Это плотная авторегрессионная модель семейства Llama с 6,6 млрд параметров, полученная дообучением meta-llama/Llama-2-7b. Модель принимает текст и генерирует текст на английском языке; длина контекста — 2048 токенов. Модель предназначена как основа для специализированных приложений в материаловедении. Её можно дообучать для извлечения информации из научных материалов, понимания таблиц, разбора исследовательских данных и генерации кристаллических структур. Карточка указывает лицензию LLaMA-3, тогда как метаданные Hugging Face указывают llama2; условия следует сверить с лицензией в репозитории перед использованием.

alan-yahya/MatBERT — это предварительно обученная BERT-модель для обработки научных текстов по материаловедению. Репозиторий модели разработан группой lbnlp при участии исследователей CEDER и опубликован пользователем alan-yahya на Hugging Face; сам пользователь указывает, что загрузил модель для удобства и не является её создателем. Модель предназначена для понимания терминологии материаловедения, анализа абзацев научных публикаций, masked language modeling и последующей адаптации к задачам классификации, извлечения сущностей и другим задачам NLP. Она обучена на корпусе примерно из 2 миллионов научных статей и около 50 миллионов отфильтрованных абзацев. Используются варианты matbert-base-cased и matbert-base-uncased с BERT-архитектурой и специализированными WordPiece-токенизаторами, лучше обрабатывающими химические формулы и обозначения материалов. Точные число параметров и размер контекстного окна для размещённой версии надёжно не указаны. Сильная сторона MatBERT — специализация на материаловедении и более подходящая токенизация научных терминов и формул по сравнению с обычным BERT; опубликованы результаты на GLUE и примеры рассуждений о синтезе материалов для литий-ионных батарей. Это не генеративная модель общего назначения, а encoder-модель, поэтому для прикладных задач обычно требуется fine-tuning или специальная NLP-голова. На странице модели указана лицензия Apache-2.0; исходный репозиторий также содержит отдельное указание на MIT License, поэтому условия следует проверять для конкретного способа распространения.

MIST-1.8B-iwqj2cld-freesolv — молекулярная модель Electrochemical Energy Group Мичиганского университета, дообученная для предсказания гидратационной свободной энергии молекул по строкам SMILES. Она принимает Kekulized SMILES и выдаёт регрессионную оценку в ккал/моль; обучена на наборе FreeSolv из 642 нейтральных молекул с экспериментальными и расчётными значениями энергии гидратации. Модель использует энкодер RoBERTa-PreLayerNorm с 24 слоями, размером скрытого состояния 1536, 24 головами внимания и максимальной длиной последовательности 2048; к нему добавлена двухслойная MLP-голова с GELU и dropout. Веса сохранены в Safetensors. Лицензия Apache 2.0; карточка дополнительно ограничивает использование исследованиями и запрещает коммерческое применение без отдельного соглашения.

LIJINGHAI111 разработал компактную модель символической регрессии на PyTorch с энкодером DeepSets и LSTM-декодером. По набору наблюдений, где каждому объекту соответствуют до четырёх независимых переменных и целевое значение, она генерирует строку математического выражения, описывающего зависимость, например формулу для эмпирических или экспериментальных данных. В отличие от обычной регрессии, результатом служит интерпретируемое выражение, а не только прогнозы или коэффициенты. В модели около 66 тысяч параметров. Энкодер DeepSets обрабатывает точки с общими весами и агрегирует их независимо от порядка, а LSTM генерирует последовательность токенов выражения. Репозиторий содержит веса PyTorch и самодостаточную структуру для локального запуска без библиотеки transformers. Метаданные указывают поддержку китайского и английского языков; сама задача не требует текстового диалога. Модель предназначена для поиска формул по данным в физических и инженерных экспериментах, интерпретации чёрного ящика и проверки или упрощения выражений. Предварительное обучение лучше покрывает сложные случайные выражения, поэтому простые зависимости могут распознаваться хуже. Иногда генератор выдаёт некорректные или не имеющие смысла в заданной области выражения; README отмечает фильтрацию таких кандидатов при самооценке. Поддерживается не более четырёх переменных. Лицензия — Apache-2.0.

ABForge-Qwen3-8B-Task2 — дообученная модель семейства Qwen3, разработанная SlowGuess в рамках пайплайна ABForge для проектирования абляционных экспериментов на основе научных статей. Модель принимает контекст статьи и цель исследования, а затем генерирует подробный план с задачей эксперимента, настройкой, вариантами абляций, фиксированными протоколами и метриками. Модель основана на Qwen/Qwen3-8B: 7,6 млрд параметров, плотная архитектура Qwen3ForCausalLM, библиотека Transformers и формат весов safetensors. Обучение включает supervised fine-tuning и последующее обучение GRPO по критериям рубрики. Контекст — до 40 960 токенов; в карточке указан английский язык. Модель предназначена для текстового диалога и предоставляет интерфейс вызова инструментов. Обучающие данные связаны с исследовательскими статьями, а оценка проводилась на выделенной части AblationBench. Модель подходит для подготовки планов абляций в исследованиях, однако качество зависит от полноты и точности предоставленного контекста статьи; планы требуют проверки исследователем. Лицензия — Apache-2.0.

Bioinspired-Base-Hermes-3-Llama-3.1-8B — диалоговая языковая модель для научных вопросов и генерации идей в области биоинспирированных материалов. Её разработала команда LAMM в MIT на основе Llama 3.1 8B: модель прошла продолженное предобучение, дообучение на инструкциях и ORPO, после чего веса объединили методом SLERP с Hermes 3. Архитектура — плотная LlamaForCausalLM с 7,5 млрд параметров; модель рассчитана на контекст до 131 072 токенов и использует библиотеку Transformers и шаблон диалога ChatML. Обучение включало около 8 000 научных статей о биоинспирированных материалах, а также наборы данных для инструкций и диалога. Модель предназначена для обсуждения научных концепций, вопросов и ответов по материаламедения и биоматериалам, а также для генерации исследовательских гипотез и биоинспирированных проектных идей. Карточка показывает диалоговые примеры и ролевые аналогии; это генеративная модель, а не специализированный классификатор или инструмент для проверки научной достоверности. Лицензия в предоставленных сведениях не указана.

Cephalo-Phi-3-vision-128k-4b-alpha — мультимодальная модель семейства Cephalo, разработанная для научных задач в области материаловедения. Это дообученная версия Phi-3-Vision-128K-Instruct с архитектурой Phi3V и примерно 3,7 млрд параметров; она принимает изображения и текстовые запросы и генерирует текстовые ответы. Модель предназначена для описания изображений, ответов на вопросы о визуальных данных и мультимодального взаимодействия, особенно в контексте материаловедения и микроструктур. В README заявлен контекст до 128 000 токенов, однако метаданные указывают нативный контекст в 4096 токенов. Карточка рекомендует формат чата и преимущественно одиночный ввод изображения. Обучающие данные включают пары изображений и подписей, извлечённые из PDF-документов, а также материалы по биоинспирированной механике и материалам. Модель распространяется по лицензии Apache-2.0.

ChemBERT_ChEMBL_pretrained — компактная модель на архитектуре BERT, подготовленная Jonghyun Lee для работы с молекулярными последовательностями SMILES. Модель адаптирована для библиотеки Hugging Face Transformers и предварительно обучена на базе ChEMBL версии 33. Она содержит около 8,4 млн параметров, использует 8 слоёв и 8 голов внимания, размер скрытого состояния — 256; длина контекста составляет 128 токенов. Модель предназначена для извлечения признаковых представлений молекул и может служить основой для задач анализа химических структур и предсказания молекулярных свойств, включая последующее дообучение. В README сообщается точность 0,9672 на тестовой выборке из 10% данных ChEMBL, однако метрика не конкретизирована. Модель принимает последовательности SMILES в виде текста и выдаёт скрытые векторы признаков. Лицензия — MIT.

Chemlactica-1.3B — авторегрессионная языковая модель на 1,3 млрд параметров для работы с представлениями молекул. Она разработана как продолжение предобучения facebook/galactica-1.3b на корпусе PubChemForLM: 40 млрд токенов с описаниями более 110 млн молекул PubChem, их вычисленными свойствами и сходством. Архитектура — OPTForCausalLM с 24 слоями; контекст — 2048 токенов. Модель предназначена для генерации молекул в формате SMILES, генерации с заданными свойствами, предсказания молекулярных свойств и оптимизации молекул. Для управления задачей используются специальные теги, в том числе SAS, QED, WEIGHT, TPSA, CLOGP, FORMULA, RINGCOUNT и SIMILAR; произвольные инструкции на естественном языке не поддерживаются. Данные обучения отражают состояние на 26 января 2023 года. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Сгенерированные строки могут быть некорректными, дублирующимися, химически неправдоподобными, трудными для синтеза или небезопасными. Предсказанные свойства не являются экспериментальными измерениями; модель не предназначена для клинических решений и требует экспертной и экспериментальной проверки.

ChemQwen2-vL — мультимодальная модель для химии, дообученная разработчиком prithivMLmods на Qwen2-VL-2B-Instruct. Она принимает изображения и текстовые запросы, распознаёт химические структуры на изображениях, генерирует идентификаторы InChI и описания соединений, а также отвечает на вопросы по химическим схемам. Модель семейства Qwen2-VL имеет плотную архитектуру с 1,5 млрд параметров, поддерживает динамическое число визуальных токенов для изображений разных разрешений и контекст до 32 768 токенов. В карточке заявлена поддержка химического текста на нескольких языках, включая английский, китайский, немецкий, французский, японский, корейский и арабский. Модель предназначена для хемоинформатики, обучения и исследовательского анализа химических изображений. Качество распознавания может снижаться на сложных или нестандартных структурах, изображениях низкого разрешения и редких символах; результаты требуют проверки специалистом, особенно при использовании в лабораторных процессах. Репозиторий распространяется по лицензии Apache-2.0.

GIANTS-4B — языковая модель, разработанная для предвосхищения научных идей по научной литературе. По кратким описаниям двух исходных статей она генерирует ключевую идею последующей работы, опирающейся на обе статьи. Модель представлена в работе «GIANTS: Generative Insight Anticipation from Scientific Literature» и дообучена на GiantsBench-train на базе Qwen3-4B. Это плотная авторегрессионная модель семейства Qwen3 с архитектурой Qwen3ForCausalLM и примерно 3,7 млрд параметров. Она принимает текст и генерирует текст; максимальная длина контекста составляет 40 960 токенов. Для оценки авторы указывают бенчмарк GiantsBench-test. Модель предназначена для исследовательских сценариев, связанных с выявлением перспективных идей и связей между научными работами. Репозиторий распространяется под лицензией CC BY 4.0.

MolDeBERTa-base-123M-contrastive_mtr — молекулярный энкодер на архитектуре DeBERTaV2, разработанный SaeedLab. Модель предварительно обучена на 123 млн молекул PubChem, представленных строками SMILES, с контрастивной задачей MTR, учитывающей свойства молекул и сходство их подструктур. Вариант base содержит около 116,3 млн параметров и принимает последовательности длиной до 128 токенов. Модель предназначена для получения векторных представлений молекул, оценки сходства, визуализации и дообучения для предсказания свойств или классификации молекул. В статье семейство оценивали на бенчмарках MoleculeNet; этот вариант рекомендован авторами среди конфигураций base. Репозиторий содержит веса в формате safetensors. Лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов согласно её условиям.

Ornstein 3.5 9B V2 — разговорная плотная модель примерно на 9,65 млрд параметров от DJLougen и GestaltLabs, основанная на Ornstein-3.5-9B-V1.5. Это дообученная модель семейства Qwen 3.5: после supervised fine-tuning версии V1.5 она прошла оптимизацию предпочтений DPO и обучение с проверяемым вознаграждением GRPO на математических задачах. Модель предназначена для многошаговых рассуждений, научных и технических задач, помощи в исследованиях и общего диалога; поддерживает интерфейс вызова инструментов. Модель принимает текст и изображения, а видеовход заявлен в карточке; сохранены vision tower и поддержка через mmproj. Она работает в формате диалога ChatML. В описании приведены высокие результаты на внутреннем тестовом наборе GBS-200 по рассуждениям и научным вопросам, но отмечено снижение результата в задачах программирования относительно V1.5. Доступны веса BF16 и GGUF; лицензия Apache 2.0.

Quokka-7b-instruct — языковая модель, разработанная UCSB для задач материаловедения. Это плотная авторегрессионная модель семейства LLaMA с 6,6 млрд параметров, основанная на LLaMA 2 7B. Её продолжительно предобучали на более чем миллионе научных статей по материаловедению, а затем дообучили на инструкциях по этой области. Модель предназначена для генерации текста и ответов на запросы по материалам и материаловедческой литературе. Возможные сценарии — помощь в поиске и обобщении научной информации, а также ответы на специализированные вопросы. Контекст составляет 2048 токенов. Репозиторий содержит веса PyTorch и Safetensors; лицензия — Apache 2.0. Карточка не сообщает результаты оценивания качества или подробные сведения о поддерживаемых языках. Как специализированная модель, она может хуже справляться с задачами за пределами материаловедения; ответы по научным вопросам следует проверять.

CrystalReasoner/Qwen2.5-3B-CrysReas-Thinking — дообученная разговорная модель CrystalReasoner для генерации кристаллических структур по инструкциям на естественном языке. Она создана на базе Qwen/Qwen2.5-3B и предназначена для задач материаловедения, включая генерацию структур с заданными свойствами. Модель использует архитектуру Qwen2 с плотной причинно-языковой сетью и содержит 3,1 млрд параметров. В обучении применялись supervised fine-tuning, рассуждения с кристаллографическими и физическими априорными знаниями перед генерацией координат и обучение с подкреплением с проверяемыми наградами. Контекст составляет 32 768 токенов; модель рассчитана на использование через библиотеку Transformers и распространяется в формате safetensors. Ключевые сценарии — генерация кристаллических структур по текстовому описанию и подбор структур с заданными свойствами. Карточка не содержит результатов измерения качества или подробной инструкции по формату выходной структуры. Лицензия в предоставленных данных не указана.

SciBERT — предварительно обученная языковая модель на архитектуре BERT, разработанная Allen Institute for AI для работы с научными текстами. Модель содержит 137,1 млн параметров и обучена на полном тексте 1,14 млн научных статей из Semantic Scholar, общим объёмом 3,1 млрд токенов. Для неё создан собственный словарь WordPiece scivocab, лучше соответствующий научному корпусу; эта версия сохраняет регистр символов. SciBERT служит основой для задач понимания научного текста, например классификации, извлечения сущностей и ответов на вопросы после соответствующего использования или дообучения. Это текстовая модель для английского языка с максимальной длиной контекста 512 токенов. Доступны веса PyTorch и Flax. В карточке не указана лицензия, поэтому условия использования следует проверить в репозитории модели.

SilkomeGPT — авторегрессионная GPT-подобная языковая модель, разработанная исследователями Массачусетского технологического института для генерации и анализа последовательностей белков паучьего шёлка. Модель предварительно обучена на белковых последовательностях и дообучена примерно на тысяче последовательностей MaSp, связанных с механическими свойствами волокон. В метаданных указаны архитектура GPT-NeoX, 252,5 млн параметров, контекст 2048 токенов, формат PyTorch и лицензия Apache-2.0. Модель предназначена для прямого и обратного проектирования последовательностей спидроинов: генерации кандидатов под целевые сочетания модуля упругости, прочности, вязкости разрушения и деформации до разрыва, а также изучения связи между последовательностью и свойствами материала. В исследовании оценивали новизну и тип белков, свойства, структуры и мотивы последовательностей; авторы сообщают о получении сочетаний свойств, не встречающихся в природе. Это специализированная исследовательская модель для биоматериалов, а не универсальная модель для обычного текста. README не сообщает о языках интерфейса или независимой экспериментальной проверке свойств сгенерированных последовательностей.

DeepChem разработала RoBERTa-модель с 57,1 млн параметров, обученную на 1 млн строк SMILES из набора PubChem 77M в MoleculeNet. Для токенизации используется Smiles-Tokenizer. Модель предназначена для извлечения признаковых представлений молекул по их текстовой записи SMILES. Модель принимает текстовые SMILES и выдаёт представления признаков; её можно использовать как компонент химических ML-конвейеров. Контекст составляет 514 токенов. Репозиторий содержит веса в формате PyTorch.

UdS-LSV/smole-bert — модель на базе BERT для работы с молекулами, представленными строками SMILES. Разработчики обучили её предсказывать замаскированные токены на наборе GuacaMol; в карточке также описан подход Enumeration-aware Molecular Transformers, сочетающий контрастивное обучение, многозадачную регрессию и masked language modeling для учёта различных перечислений одной молекулы. Модель подходит для заполнения пропусков в SMILES-последовательностях и получения молекулярных представлений, в том числе в сценариях виртуального скрининга. В опубликованном бенчмарке для неё приведены AUROC 0,615 и BEDROC 0,225. Архитектура — BertForMaskedLM, размер — 27,3 млн параметров, контекст — до 768 токенов. Модель распространяется под лицензией Apache-2.0; использовать её можно через Transformers или пакет smiles-featurizers.

TexTeller — модель распознавания математических формул на изображениях, разработанная авторами проекта TexTeller. Она использует архитектуру vision encoder-decoder на основе ViT и преобразует формулы с фотографий и других естественных изображений в запись LaTeX. Модель предназначена для автоматического извлечения формул из изображений, включая сложные многострочные выражения, матрицы и редкие символы. В README указано, что версия 2.0 обучена на расширенном наборе из 7,5 млн пар изображений и формул; авторы сообщают о повышенной точности и способности обобщать по сравнению с LaTeX-OCR. Репозиторий содержит веса PyTorch, Safetensors и ONNX. Модель ориентирована на формулы, поэтому её не следует считать универсальной системой OCR для произвольного текста или документов. Лицензия — Apache-2.0.

VLAA-Thinker-Qwen2.5VL-3B — исследовательская визуально-языковая модель UCSC-VLAA для ответов на вопросы по изображениям с пошаговыми рассуждениями. Она основана на архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и принимает изображения вместе с текстом; для генерации ответов используется контекст до 128 000 токенов. Модель обучали с применением supervised fine-tuning и reinforcement learning на данных VLAA-Thinking, охватывающих визуальную математику, графики, научные иллюстрации и документы. Модель предназначена для мультимодальных задач рассуждения: решения задач по диаграммам и изображениям, визуальных вопросов и извлечения ответов из документов. В карточке сообщается о высоких результатах семейства VLAA-Thinker на OpenCompass Multimodal Reasoning Leaderboard по состоянию на 7 апреля 2025 года. Репозиторий использует Transformers и формат safetensors; указана лицензия Apache-2.0. Для инференса README требует включать обученный системный промпт.

Это модель ALBERT, обученная с нуля методом masked language modeling на примерно 2,8 млн реакций USPTO в формате SMILES. Её разработчик подготовил её для attention-guided atom mapping с RXNMapper v2: сигнал сопоставления атомов формируется без целевой разметки в одной из голов внимания. Рекомендуемый чекпойнт — checkpoint-1360000; для сопоставления README советует использовать голову 3 слоя 10. Модель содержит около 8 млн параметров, принимает последовательности SMILES и имеет контекстное окно 512 токенов. В репозитории также размещены промежуточные чекпойнты обучения и общий токенизатор с 591 токеном. Помимо atom mapping, чекпойнты можно применять для дообучения и извлечения признаков. Модель распространяется по лицензии MIT.

ATOMIC-Gemma — специализированная зрительно-языковая модель для работы с изображениями просвечивающей электронной микроскопии (TEM), разработанная авторами проекта ATOMIC. Модель дообучена методом instruction tuning второго этапа на базе Google Gemma 3 4B IT; для обучения использовано 60 тысяч диалогов по TEM. Модель предназначена для диалога и ответов на вопросы по микроскопическим изображениям, в том числе для научных сценариев в материаловедении. Она принимает изображения и текстовые запросы и формирует текстовые ответы. В карточке указана лицензия Gemma. README отмечает, что модель создана после срока подачи статьи ECCV 2026 и не входит в опубликованную работу; она служит демонстрацией переноса обучающего конвейера ATOMIC на другую архитектуру.

CrystaLLM-pi_ft_alex_mp_20-text — авторегрессионная генеративная модель на архитектуре GPT-2, разработанная Bone et al. из University College London. Она создаёт текстовые представления CIF для неорганических кристаллических структур, обучившись на корпусе LeMat-Bulk и дообучившись на CIF из Alex_mp_20. Модель имеет около 25,9 млн параметров и контекстное окно 1024 токена. Модель предназначена для безусловной генерации структур и генерации с подсказкой состава или пространственной группы. Её также используют как начальную точку для дообучения на условную генерацию структур по заданным свойствам. Модель работает с текстом CIF, а не с изображениями или дифракционными данными; язык её текстового формата — CIF. Генерации отражают распределение Alex_mp_20, поэтому разнообразие новых структур ограничено. Прохождение структурных проверок не подтверждает термодинамическую стабильность; для оценки стабильности README рекомендует проверку энергетической моделью. Модель не предназначена для целевого задания свойств, плохо подходит для разупорядоченных систем и органических материалов, а большие ячейки могут не помещаться в контекст. Лицензия — MIT.

FARM — модель представления молекул, разработанная для химических задач на основе архитектуры BERT. Она использует токенизацию SMILES с учётом функциональных групп, чтобы включать химически значимые фрагменты в представление молекулы. Обучение объединяет признаки отдельных атомов, получаемые с помощью masked language modeling, с топологическим представлением молекулы от графовой нейронной сети и согласует их контрастивным обучением в общем молекулярном эмбеддинге. Модель предназначена для построения представлений молекул и их последующего применения в прогнозировании свойств, классификации и генерации. Репозиторий содержит около 129,9 млн параметров, веса в формате safetensors и контекст до 512 токенов; в метаданных указаны датасеты ChEMBL и ZINC15, а также английский язык. Лицензия — MIT. Ограничение: README не приводит метрики качества и не уточняет конкретные задачи прогнозирования, для которых модель проверена.

Fisher-R1-14B — открытая языковая модель-агент, разработанная May2222 и дообученная на базе Qwen2.5-Coder-14B-Instruct. Она ориентирована на проверку статистических гипотез: анализирует данные, выбирает подходящий статистический тест, выполняет его и сообщает p-value с выводом по результату. Модель содержит 14 млрд параметров, использует архитектуру Qwen2 для причинной генерации текста и работает с контекстом до 32 768 токенов. Для обучения применялись синтетические исполняемые статистические задачи: supervised fine-tuning и reinforcement learning с проверяемой статистической оценкой. Модель оценивалась на P-Bench; в метаданных указан английский язык. Лицензия — Apache-2.0. Она предназначена для диалогового анализа статистических задач и выбора тестов, но README не приводит результатов бенчмарка или подробностей поддерживаемых тестов. Выводы модели следует проверять, особенно при подготовке научных или иных значимых заключений.

THGLab разработала GeomLlama-xyz-QM9-Large — дообученную модель Llama-3.1-8B-Instruct, предназначенную для генерации 3D-конформеров небольших молекул по строке SMILES. Модель выдаёт декартовы координаты атомов в формате XYZ: по одной строке на атом с символом элемента и координатами x, y, z в ангстремах; заголовок XYZ-блока не добавляется. Модель специализирована на геометриях молекул масштаба QM9 и обучена на наборе GEOM-QM9, дополненном примерами Tulu-3 для сохранения общих навыков следования инструкциям. Это плотная авторегрессионная языковая модель с 7,5 млрд параметров и контекстом до 131 072 токенов; обучение выполнено с помощью Axolotl и LoRA, адаптер объединён с базовыми весами. Для предсказаний из статьи README указывает на необходимость воспроизводить использованный Alpaca-промпт. Модель подходит для получения предполагаемых координат малых молекул из SMILES, но карточка не приводит количественных оценок точности и не подтверждает надёжность для крупных молекул или иных химических распределений. Распространяется по лицензии Llama 3.1.

selfies-ted — модель на архитектуре Transformer encoder-decoder семейства BART, разработанная IBM Research для получения представлений молекул в формате SELFIES. Модель содержит около 204,6 млн параметров, работает с входной последовательностью длиной до 1024 токенов и распространяется в форматах PyTorch и safetensors. Основной сценарий — преобразование молекулярных строк SELFIES в векторные эмбеддинги для последующего использования в задачах химического анализа и машинного обучения. README также описывает кодирование строк SMILES в SELFIES перед получением эмбеддинга. Лицензия — Apache-2.0. Модель предназначена для молекулярных представлений, а не для общения на естественном языке. Качество эмбеддингов зависит от корректного преобразования и представления молекул; в предоставленной карточке не приведены количественные результаты оценки.

MIST-28M-ti624ev1 — предварительно обученный энкодер молекулярных SMILES, разработанный Electrochemical Energy Group Мичиганского университета. Модель содержит 33,6 млн параметров и основана на архитектуре RoBERTa PreLayerNorm для masked language modeling; обучение проводилось на примерно 14 млрд токенов SMILES из Enamine REAL Space. Для входных SMILES в примере рекомендуется предварительное преобразование в форму Kekulé. Модель предназначена для получения молекулярных представлений и последующей тонкой настройки под предсказание свойств молекул. Её можно применять для сравнения сходства молекул и как основу для обучения на целевом наборе данных. Основной pipeline-тег Hugging Face — fill-mask; README также описывает извлечение эмбеддингов и дообучение энкодера для задач предсказания свойств. Контекст модели — 2048 токенов; в примере инференса последовательности ограничиваются 512 токенами. Это исследовательская молекулярная модель для работы с представлением SMILES; README не приводит конкретных метрик качества. Веса распространяются по Apache-2.0, однако README отдельно указывает исследовательское использование, запрет на перераспространение без разрешения и необходимость лицензионного соглашения для коммерческого применения.

神珍 (Monkey King Bang, MKB) — научная мультимодальная модель, представленная sais-org, предназначенная для совместного анализа и генерации данных в биологии, химии, науках о Земле и медицинской визуализации. В основе — дообученная Qwen3-VL-8B-Instruct; README указывает около 11 млрд параметров вместе с научными энкодерами и декодерами. Архитектура использует специализированные пути для белков, РНК, ДНК, молекулярных графов, погодных полей и медицинских изображений, объединённые общим языковым интерфейсом. Модель выполняет научные вопросы и классификацию, анализ последовательностей и молекул, проектирование последовательностей РНК, преобразование описаний молекул в SMILES, прогноз погоды на 10 дней по глобальным данным ERA5 и сегментацию медицинских изображений по текстовым подсказкам. Метаданные указывают поддержку диалога и изображений; README также описывает специализированный ввод научных структур и генерацию прогнозов, последовательностей и сегментационных результатов. Карточка приводит результаты бенчмарков в биологии, химии, прогнозе погоды и медицинской сегментации. Для запуска требуется код из сопутствующего репозитория, поскольку используется специальная мультимодальная архитектура. В README указаны лицензии Apache-2.0 и SAM License для соответствующего пути обработки изображений; метаданные Hugging Face обозначают лицензию как other, поэтому условия следует проверять отдельно для нужных компонентов.