IV.6Научные исследования, математика и новые материалы

varKoding — модель для идентификации видов по изображениям, полученным из частот k-меров в данных низкопокрывающего секвенирования генома. Её разработал проект varKoder на основе Vision Transformer ViT-Large patch32 из timm/vit_large_patch32_224.orig_in21k; модель инициализировали случайными весами и обучили с помощью fastai на представлениях varKodes и rfCGRs из данных NCBI Sequence Read Archive. Модель предназначена для ДНК-баркодирования и определения видов по небольшому объёму геномных данных, включая анализ eDNA, мониторинг биоразнообразия и судебную аутентификацию видов. Она выдаёт многометочные таксономические прогнозы с оценками уверенности, а также прогнозы характеристик библиотеки и платформы секвенирования. В README заявлены точность 96% и полнота 95% для идентификации видов, в том числе при низком покрытии генома. Модель принимает изображения varKodes или rfCGRs, а не необработанные последовательности ДНК. Качество зависит от соответствия входного представления обучающим данным и может снижаться на сильно деградированной ДНК; README также указывает на возможные трудности при высоком уровне ошибок секвенирования Nanopore. Лицензия — Apache-2.0.

BatatasLM-SP5-28L — предварительно обученная ДНК-модель семейства Caduceus, разработанная в рамках проекта BatatasLM. Она содержит 231,2 млн параметров и использует архитектуру CaduceusForMaskedLM; модельные файлы представлены в формате PyTorch и предназначены для загрузки через Transformers. Модель обучена на пяти геномах или образцах сладкого картофеля из набора BatatasLM-SP5-Pretraining-Data. Она рассчитана на исследовательскую работу с представлениями последовательностей ДНК длиной до 4096 пар оснований и на задачи восстановления замаскированных участков последовательности. Категория fill-mask также заявлена в метаданных; каталог указывает поддержку классификации текста, однако README не приводит деталей её оценки. Карточка не сообщает метрики качества и не подтверждает превосходство над другими моделями. Для загрузки могут потребоваться пользовательские модули из репозитория и параметр trust_remote_code=True. Лицензия в предоставленных данных не указана.

buetnlpbio/bpe-only-dna-bert — модель на архитектуре BERT, разработанная для работы с последовательностями ДНК. Она обучена только на датасете генома человека в течение одной эпохи для абляционного эксперимента; в метаданных указаны 116,4 млн параметров и контекст длиной 128 токенов. Модель поддерживает задачу fill-mask и может использоваться для предсказания замаскированных токенов в последовательностях ДНК. Обучение выполнено на основе фреймворка MosaicBERT. Карточка предупреждает, что качество на других типах ДНК может быть ограниченным. Модель опубликована в формате PyTorch; метаданные не содержат сведений о лицензии.

buetnlpbio разработала BPE-only RNA-BERT — модель-энкодер семейства BERT с 116,4 млн параметров, предназначенную для работы с последовательностями РНК. Эта версия обучена только на токенах BPE как вариант для абляционного исследования; авторы рекомендуют вместо неё использовать buetnlpbio/birna-bert. Модель можно применять для заполнения замаскированных токенов в последовательностях и получения представлений последовательностей РНК. Она реализована на PyTorch с библиотекой Transformers и поддерживает контекст до 128 токенов. Доступная карточка описывает работу с РНК, но не сообщает отдельные языки естественного языка. Это специализированная биологическая модель, поэтому её применимость ограничена последовательностями РНК и токенизацией BPE. Лицензия в предоставленных данных не указана.

Это модель обнаружения объектов YOLO26s, дообученная автором репозитория на подводном наборе Brackish Underwater в рамках DetectionBench. Она принимает изображения и размечает на них морских животных: крабов, рыб, медуз, креветок и морских звёзд; подходит для анализа подводных кадров и сравнительной оценки детекторов. В README приведены результаты на тестовой части набора: mAP@50 — 99,1%, mAP@50–95 — 85,77%, точность — 99,45%. Модель построена на семействе Ultralytics YOLO26 и распространяется в формате PyTorch по лицензии AGPL-3.0. Обучающие данные имеют сильный дисбаланс классов: крабы и мелкие рыбы составляют около двух третей размеченных объектов, а креветки и медузы представлены редко. Данные сняты одной стационарной камерой в одном месте в Дании; переносимость на другие камеры и типы водоёмов не проверена. Около 15% кадров намеренно не содержат размеченных объектов.

Это модель обнаружения объектов YOLOv8m от Ultralytics, дообученная на наборе Brackish Underwater в рамках DetectionBench. Она предназначена для поиска и локализации морских животных на подводных изображениях и кадрах: крабов, рыб, медуз, креветок, мелких рыб и морских звёзд. Репозиторий содержит веса PyTorch; модель использует архитектуру YOLOv8 среднего размера и распространяется по лицензии AGPL-3.0. На тестовой выборке Brackish Underwater автор сообщает mAP@50 99,19%, mAP@50–95 86,04% и точность 98,69%. Результаты относятся к этому датасету и протоколу оценки. Обучающие данные несбалансированы: крабы и мелкие рыбы составляют большую часть разметки, а креветки и медузы представлены редко. Все видеоматериалы получены одной камерой в одном месте в Дании, поэтому перенос на другие камеры, места и типы воды не проверен.

D3LM — модель дискретной диффузии для анализа и генерации последовательностей ДНК, представленная в работе «D3LM: A Discrete DNA Diffusion Language Model for Bidirectional DNA Understanding and Generation». Она предназначена прежде всего для безусловной генерации последовательностей ДНК млекопитающих, а также поддерживает заполнение замаскированных участков и генерацию текста. Модель построена на энкодере семейства ESM с Rotary Positional Embeddings и обучена с нуля на последовательностях ДНК млекопитающих. Модель содержит около 52,4 млн параметров, 12 слоёв, 16 голов внимания и скрытое представление размерности 512. Максимальная длина последовательности составляет около 2 048 токенов, словарь — 4 107 токенов. Для генерации предусмотрены диффузионные шаги денойзинга, температура и nucleus sampling. Репозиторий распространяется по лицензии Apache-2.0.

DNA2Vec — трансформерная модель roy chowdhury research для представления последовательностей ДНК в виде векторов. Она предназначена для поиска похожих последовательностей и выравнивания коротких прочтений без привязки к заранее заданному референсному геному, а также может применяться для классификации и других геномных задач. Архитектура включает 6 слоёв энкодера, 12 голов внимания и размерность эмбеддинга 1020; для сопоставления используется косинусное сходство. Модель обучалась на геномных данных с контрастивной функцией потерь и охватом около 2% генома человека. В README заявлены полнота выравнивания свыше 99% для качественных прочтений и перенос на последовательности других видов. Репозиторий содержит веса safetensors для Transformers, контекст — 1024 токена. Лицензия — MIT.

DNADebertaK6_Zebrafish — модель семейства DeBERTa, дообученная для работы с последовательностями ДНК зебрафиша. В карточке указана оценка loss 1,4958 на тестовом наборе, но описание обучения и набора данных отсутствует. Модель содержит 59,8 млн параметров, принимает последовательности длиной до 512 токенов и предназначена для задачи fill-mask: предсказания замаскированных фрагментов последовательности. Доступны веса PyTorch. Модель может пригодиться для анализа и восстановления участков последовательностей ДНК зебрафиша. Базовая модель и лицензия в предоставленных данных не указаны.

Evo2-7B — это неофициальный порт на Transformers чекпойнта Evo 2 7B, разработанного командой Arc Institute и сотрудниками. Модель предназначена для генерации последовательностей ДНК на уровне отдельных нуклеотидов; токенизатор побайтовый, с одним токеном на нуклеотид. Модель содержит 8,6 млрд параметров по метаданным и имеет контекст до 1 048 576 токенов. Архитектура сочетает свёртки Hyena с группированным вниманием запросов и RoPE; в варианте указаны 32 слоя, включая 5 слоёв внимания и 27 слоёв Hyena. Веса перенесены из официального чекпойнта Vortex без дообучения, а архитектура реализована на PyTorch для загрузки через Transformers. Репозиторий использует формат safetensors и лицензию Apache-2.0. Порт менее эффективен, чем исходная реализация Vortex: в нём нет FlashAttention, FP8 и объединённых ядер. Длинные входы медленно обрабатываются и требуют много памяти; для bf16 нужно около 14 ГБ видеопамяти до учёта кеша и активаций. Новая оценка качества для этой загрузки не проводилась.

GENATATOR-Caduceus-PS — языковая модель ДНК, дообученная AIRI Institute для разметки структуры генов непосредственно по геномным последовательностям. Она выполняет многометочную классификацию на уровне нуклеотидов: для каждого нуклеотида выдаёт оценки пяти классов — 5′ UTR, экзон, интрон, 3′ UTR и CDS. Модель построена на архитектуре Caduceus PS с 16 слоями и размером скрытого представления 512; токенизация выполняется по одному нуклеотиду. Максимальная поддерживаемая длина последовательности — 250 000 нуклеотидов. Модель дообучена на мультивидовом наборе транскриптов мРНК и длинных некодирующих РНК: каждый пример содержит одну последовательность гена, без межгенных областей. Модель подходит для сегментации структуры генов в последовательностях отдельных транскриптов. Данные обучения не включали полные геномы и межгенные области, поэтому применение к таким входам не подтверждено. Веса распространяются по лицензии Apache-2.0.

GENATATOR-ModernGENA (Region Model) — модель AIRI Institute для анализа геномных последовательностей ДНК и поиска транскрибируемых внутригenerных областей с учётом цепи. Это дообученная ModernBERT (ModernGENA) с 22 слоями, размером около 135,5 млн параметров, BPE-токенизацией и контекстом до 1024 токенов. Модель присваивает метки на уровне токенов: определяет внутригenerные области и сигналы TSS и PolyA на прямой и обратной цепях. Модель предназначена для поиска и фильтрации областей генов в геномных последовательностях разных видов, включая участки, связанные с мРНК и длинными некодирующими РНК. Её используют как компонент конвейера обнаружения транскриптов вместе с отдельной edge-моделью, которая предсказывает границы транскриптов, и последующей обработкой вероятностных треков. Обучение проводилось на размеченных геномах 39 видов млекопитающих; для человека хромосомы 8, 20 и 21 были отложены. Репозиторий содержит веса в формате safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель предсказывает области, но не строит полные аннотации транскриптов, не определяет структуру экзонов и интронов и зависит от edge-модели и последующей обработки.

GENERator-v2-eukaryote-3b-base — базовая генеративная модель для геномных последовательностей эукариот, разработанная GenerTeam. Она предназначена для генерации последовательностей ДНК и последующего применения в геномных исследованиях. Модель построена на плотной архитектуре семейства Llama и содержит 3 млрд параметров; для работы с последовательностями использует токенизатор 6-меров и поддерживает контекст до 16 384 токенов. Для генерации длина каждой входной последовательности должна быть кратна шести: её можно дополнить слева символами A или усечь слева. Иначе токенизатор добавляет токен вне словаря, что может приводить к повторяющимся и малоинформативным продолжениям, например AAAAAA. Модель распространяется по лицензии MIT.

sambal/k2-horizon-7b-lndpo-rpo-full-checkpoint-200 — полная дообученная версия IFM/K2-Horizon-7B, подготовленная для ответов на вопросы по каротажным данным в петрофизике. Модель плотная, построена на архитектуре K2HorizonForCausalLM, содержит около 8 млрд параметров и принимает текстовые запросы в диалоговом формате. Указанный для базовой модели размер контекста — до 524 288 токенов. Модель обучена методом полного дообучения с length-normalized DPO и дополнительным NLL-термом RPO на предпочтительных ответах; адаптеры не используются. Валидация на контрольной выборке показала точность предпочтений 100% на шаге 200, но это ограниченный результат конкретного эксперимента и не гарантирует качество на других задачах или данных. Модель распространяется в формате bf16 и требует remote code и шаблон чата K2-Horizon при запуске. Лицензия — Apache-2.0.

Limite 1B – Violetto — плотная авторегрессионная трансформерная модель Paradigma примерно с 1 млрд параметров, обученная с нуля на тщательно отобранной смеси данных объёмом менее 300 млрд токенов. Она предназначена для высокопроизводительного решения сложных математических задач и рассуждений, особенно в режиме одного запроса без истории диалога. Модель имеет контекстное окно до 131 072 токенов и поддерживает чатовый режим; для инференса доступны Transformers и vLLM через плагин Limite. Архитектура Transformers загружается с trust_remote_code=True. По заявлению разработчиков, модель сочетает синтетические данные, контролируемое дообучение и обучение с подкреплением, а её результаты на математических бенчмарках сопоставимы с некоторыми значительно более крупными моделями. Она слабо настроена на следование инструкциям и может терять исходный смысл запроса, переосмысливая его как математическую задачу, поэтому не подходит для ожиданий универсального ассистента. Лицензия — Apache-2.0.

Meditron7b-smiles2caption-LPM24 — языковая модель семейства Llama с 6,6 млрд параметров, опубликованная организацией Language Plus Molecules. Она предназначена для генерации текста; название репозитория указывает на сценарий преобразования SMILES в текстовое описание молекулы, однако README не раскрывает формат входных данных или качество выполнения этой задачи. Модель использует архитектуру LlamaForCausalLM, библиотеку Transformers и веса safetensors; родная длина контекста — 2048 токенов. Модель создана на базе Meditron 7B, но сведения о способе и данных дообучения в карточке отсутствуют. Лицензия и языки поддержки не указаны в доступных метаданных и README. Использовать её следует с учётом ограниченного контекста и проверки точности сгенерированных описаний молекул.

ParticleViT-L — трансформерная модель семейства ParticleViT для извлечения признаков из частиц, составляющих струю в данных коллайдера. Модель разработана авторами работы «Predict before you train: scaling laws for particle physics foundation models» и обучена на корпусе OmniLearned, объединяющем симулированные и реальные данные о струях. Размер модели — 126,1 млн параметров; архитектура включает 10 слоёв, ширину 1024 и 16 голов внимания. Каждая частица представлена токеном, а итоговое представление считывается с добавленного CLS-токена. Модель предназначена для получения представлений струй и последующей тонкой настройки под классификацию и tagging, например для различения типов струй. Она принимает наборы до 150 частиц с девятью каналами признаков; для инференса требуется поставляемая замороженная нормализация кинематических признаков. У модели нет специализированных физических индуктивных смещений, таких как лоренц-эквивариантность или признаки попарных взаимодействий. Веса опубликованы в формате safetensors, код рассчитан на PyTorch и поддерживает инференс на CPU и GPU. Лицензия — MIT.

HudeKing/PixVL-model-c-bestcap-cyclegrpo — публичный экспорт модели PixVL, разработанный на основе Qwen3-VL-4B-SAMTok. Это плотная мультимодальная модель семейства Qwen3-VL с архитектурой Qwen3VLForConditionalGeneration; репозиторий содержит полный экспорт для Hugging Face в формате safetensors. В метаданных основная задача указана как сегментация изображений. Модель предназначена для исследовательского применения и может использоваться для сегментации изображений. README указывает, что она следует лицензии и ограничениям использования исходной модели; в метаданных для репозитория указана лицензия MIT.

Plant-DNAGPT-BPE — модель семейства GPT-2, разработанная zhangtaolab для работы с последовательностями ДНК растений. Она предварительно обучена методом CausalLM на референсных геномах растений; для токенизации используется специализированный BPE-токенизатор со словарём из 8000 токенов. В репозитории доступны веса в формате Safetensors, а размер моделей этой серии составляет примерно 90–150 МБ. Модель предназначена для генерации продолжений последовательностей ДНК и исследовательских задач по анализу геномов растений. README указывает максимальную длину обучающих последовательностей 512 токенов, а метаданные — контекст 1024 токена. Это специализированная геномная модель, поэтому её результаты не следует трактовать как биологически подтверждённые без проверки. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование.

PoreCodec-RSQ742C12A — нейронный кодек для электрических сигналов нанопорового секвенирования. Модель преобразует непрерывные измерения ионного тока в компактные иерархические последовательности дискретных токенов и может восстанавливать сигнал по этим представлениям. Архитектура включает одномерный свёрточный кодировщик, 512-мерное латентное представление и детерминированную Residual Finite Scalar Quantization с двумя этапами квантования; коэффициент понижения временного разрешения — 4. Модель доступна через Transformers и хранится в формате Safetensors. Кодек предназначен для токенизации и сжатия сигналов нанопор, построения представлений для моделей последовательностей, а также для поиска и индексирования чтений. FeatureExtractor выполняет предобработку сигнала, включая удаление выбросов и нормализацию. По данным карточки, конечные кодовые книги хранятся в контрольной точке, а детерминированное скалярное квантование избегает коллапса кодовой книги, характерного для некоторых VQ-VAE. Модель не предназначена для basecalling или предсказания последовательности ДНК; она рассчитана на предварительно обработанные сигналы нанопорового тока. Лицензия — Apache-2.0.

PoreCodec-RSQ742C36A — лёгкий нейронный кодек для электрических сигналов нанопорового секвенирования. Модель разработана для преобразования непрерывных измерений ионного тока в иерархические последовательности дискретных токенов, пригодные для последующего обучения биологических фундаментальных моделей, поиска и анализа представлений. Карточка указывает архитектуру PoreRSQCodec; метаданные относят её к семейству pore_codec_rsq742c36a и классу dense. Кодировщик использует пять слоёв одномерных дилатированных свёрток и формирует 512-мерные признаки, сохраняя исходную временную длину: каждому входному отсчёту соответствует один токен. Дискретизация выполняется двумя остаточными квантователями Finite Scalar Quantization с уровнями 7×7×7×7 и размером кодовой книги 2401. Декодер может восстанавливать сигнал из токенов; предобработчик поддерживает исправление границ, удаление выбросов, нормализацию и необязательную фильтрацию. Модель принимает одноканальный сигнал нанопорового тока и выдаёт токены, квантованные представления и реконструированный сигнал. Модель подходит для токенизации и представления биологических сигналов, компрессии и индексирования нанопоровых чтений, а также как интерфейс сигнал-токен для последующих моделей. Она требует предварительно обработанных сигналов и не выполняет непосредственно basecalling или предсказание нуклеотидной последовательности. Доступна по лицензии Apache-2.0; модельные файлы представлены в формате safetensors.

ProkBERT-mini — модель семейства ProkBERT от Neural Bioinformatics Research Group для анализа последовательностей ДНК, особенно в задачах микробиомики. Это плотная трансформерная модель на архитектуре MegatronBert с 26,3 млн параметров по метаданным. Она использует токенизатор 6-меров со сдвигом 1, отображает токены в 384-мерное пространство и принимает контекст до 1024 токенов; в README длина контекста также описана как 1024 пары оснований. Модель предварительно обучена для восстановления замаскированных перекрывающихся k-меров и предназначена для анализа геномных последовательностей, в том числе извлечения закономерностей и классификации. После сегментации и токенизации последовательностей её можно применять для заполнения масок и задач классификации; поддержка text-classification указана в метаданных каталога. Модель не предназначена для обычного текста. README сообщает о тестировании в определённых геномных контекстах и предупреждает, что качество в других сценариях не гарантируется. Перед применением в конкретной задаче результаты следует дополнительно проверить. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

ProkBERT-mini-long — геномная языковая модель группы Neural Bioinformatics Research Group для анализа микробиомных и других геномных последовательностей. Она предназначена для восстановления замаскированных участков ДНК и может служить основой для классификации последовательностей и исследования геномных паттернов. Модель относится к семейству ProkBERT и использует плотную архитектуру BERT для masked language modeling. В README указаны 26,6 млн параметров, представления размерности 384, контекст до 4096 пар оснований и токенизатор 6-меров со сдвигом 2; метаданные указывают 33,5 млн параметров и контекст 2048 токенов. Модель обучалась на геномных последовательностях с задачей восстановления перекрывающихся k-меров. Вход — последовательности ДНК; модель выдаёт предсказания замаскированных токенов и может использоваться для классификации. Для подготовки данных последовательности обычно загружают из FASTA, сегментируют на фрагменты подходящей длины и токенизируют. Модель предназначена для геномного анализа, но её результаты за пределами проверенных геномных контекстов не гарантированы и требуют отдельной оценки. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое.

Qwen3.5-9B equational-theory SAIR R3 — это полноразмерное дообучение Qwen3.5-9B, опубликованное violetxi. Модель предназначена для диалога и ответов на вопросы по теории уравнений, включая работу с заметками R0–R3 и задачами, сформулированными на Lean. Она использует плотную архитектуру Qwen3.5 с 9 млрд параметров и представлена полными BF16-весами в формате safetensors; зрительные и MTP-веса унаследованы от базовой модели. Обучение проводилось методом SFT на смеси заметок и траекторий «вопрос—ответ». Модель загружается через Transformers с поддержкой Qwen3.5 и может обслуживаться vLLM; доступны шаблон чата и интерфейс вызова инструментов. Базовая Qwen3.5-9B мультимодальна, однако обучение этой версии сосредоточено на текстовых математических материалах. Итоговая оценка математической точности ещё не опубликована. Потери обучения и валидации не показывают точность доказательств, а оценки GPT не заменяют проверку доказательств в Lean. Модель распространяется по лицензии Apache-2.0.

Это дообученная модель Qwen3 для генерации текста и диалогового взаимодействия, опубликованная пользователем formalmathatepfl. Она создана на основе Qwen/Qwen3-8B-Base и дополнительно обучена на наборе lean_selfdistill_r1_train; название и данные карточки указывают на настройку для работы с формальными математическими доказательствами и их исправлением. Модель имеет плотную авторегрессионную архитектуру Qwen3ForCausalLM, содержит 7,6 млрд параметров и поддерживает контекст до 32 768 токенов. Репозиторий содержит веса в формате Safetensors. Карточка не приводит результаты оценки качества и конкретные инструкции по применению. Лицензия указана как other, поэтому условия использования следует сверить с лицензией репозитория и базовой модели.

ScholarBERT-XL100 — англоязычная модель семейства BERT от Globus Labs, предварительно обученная на 221 млрд токенов научных статей из корпуса PRD. Это чувствительная к регистру плотная модель с архитектурой BertForMaskedLM: 36 слоёв, размер скрытого состояния 1280, 20 голов внимания и контекст до 512 токенов. В README указано 770 млн параметров, тогда как метаданные Hugging Face сообщают 1 млрд. Модель предназначена для заполнения пропусков в научных текстах на английском языке и может использоваться в сценариях продолжения или анализа научных формулировок через masked language modeling. Обучающий корпус охватывает гуманитарные науки, науки о жизни и биомедицину, физические и социальные науки, а также технологии. Доступны веса PyTorch и Safetensors. Лицензия — Apache 2.0.

TSO Foundation Model v17 — исследовательская модель временных рядов, разработанная автором репозитория Sejibeji. Она обучается представлять динамические системы в скрытом пространстве, где их эволюция приближённо линейна, и предназначена для прогнозирования новых временных рядов без дообучения: для переноса выполняется замкнутая подгонка оператора Koopman на замороженном представлении. Архитектура включает вложения Такенса, представления на нескольких масштабах, глубокий энкодер Koopman lift и сверточный классификатор направления времени; размер латентного пространства — 256, скрытого слоя — 768. Предобучение использует самоконтролируемые задачи реконструкции, моделирования динамики Koopman, согласования масштабов и определения направления времени на рядах из энергетики, метеорологии, ЭКГ, финансов, эпидемиологии, экономики, солнечной физики и хаотических систем. README сообщает о нулевом дообучении при переносе и приводит результаты сравнения на 40 рядах, но эти оценки относятся к описанному автором эксперименту. Модель испытывает трудности на рядах со всплесками и почти единичным корнем, а возможности линейного пробника ограничивают качество переноса. Лицензия — MIT.

WhisperSeg-large-ms — версия WhisperSeg, разработанная исследователями из Университета Цюриха и ETH Zurich для сегментации вокализаций людей и животных. Это дообученный на наборах данных по вокализациям пяти видов чекпойнт модели Whisper large, использующей архитектуру Transformer и исходно предназначенной для распознавания речи. Модель принимает аудио и возвращает временные границы сегментов вокализации и метки кластеров; в примере README показаны сегменты зебровой амадины. Модель подходит для выделения голосовой активности и вокализаций в аудиозаписях людей и животных, в том числе для акустических исследований. В репозитории указаны PyTorch и лицензия Apache-2.0. Параметров около 905,2 млн. README не уточняет, какие именно пять видов вошли в обучение, поэтому переносимость на другие виды и условия записи не подтверждена.

blizrys/biobert-v1.1-finetuned-pubmedqa — модель на архитектуре BERT, созданная дообучением dmis-lab/biobert-v1.1 для классификации текстов. Она предназначена для задач, связанных с PubMedQA и ответами на вопросы по биомедицинским публикациям. В метаданных указаны 135,5 млн параметров, контекст до 512 токенов и формат PyTorch. На оценочном наборе модель показала accuracy 0,7 и loss 0,7737. README не раскрывает состав меток, обучающего набора данных или подробности использования, поэтому результаты не позволяют судить о качестве на других задачах. Лицензия в предоставленных данных не указана.

Это модель обнаружения объектов YOLO11x, дообученная на подводном наборе данных Brackish Underwater в рамках DetectionBench. Она предназначена для поиска и локализации крабов, рыб, медуз, креветок, мелких рыб и морских звёзд на подводных изображениях и кадрах видео. Модель использует архитектуру семейства Ultralytics YOLO11 и распространяется в формате PyTorch по лицензии AGPL-3.0. На тестовой части Brackish Underwater модель показала mAP@50 98,89%, mAP@50–95 86,3% и точность 98,84% в стандартном конвейере оценки DetectionBench. Результаты относятся к этому набору данных и не подтверждают качество на других камерах, локациях или типах воды. В обучающих данных выражен дисбаланс классов: креветки и медузы представлены редко, поэтому оценки для них основаны на сравнительно небольшом числе примеров. Данные получены с одной неподвижной камеры в Дании и прошли стороннее преобразование в формат YOLO.