IV.6Научные исследования, математика и новые материалы

Taykhoom подготовил минимальный порт Evo 2 20B в формате Hugging Face на архитектуре StripedHyena 2: в ней чередуются блоки Hyena и многоголовочного внимания. Модель обучена Arc Institute для авторегрессионного предсказания следующего байта в последовательностях ДНК; предобучение проводилось на 8,8 триллиона токенов из OpenGenome2, охватывающих разные области жизни. Метаданные указывают 25,8 млрд параметров, а README — около 18,5 млрд; эти оценки расходятся. В названии заявлен контекст 1 млн токенов, однако README не приводит его численное подтверждение. Порт поддерживает загрузку через Transformers с from_pretrained и извлечение скрытых состояний и весов внимания по слоям. README сообщает о побитном совпадении скрытых состояний и логитов с эталонной конфигурацией при проверке на H100 с PyTorch 2.7 и CUDA 12. Для FP8 входных проекций требуются NVIDIA Transformer Engine и GPU класса Hopper; также поддерживается SDPA, а Flash Attention 2 доступен как альтернативный бэкенд. Лицензия — Apache-2.0.

granite-geospatial-canopyheight — геопространственная модель IBM, дообученная для попиксельного прогнозирования высоты древесного полога и растительности по оптическим спутниковым снимкам. Она предназначена для анализа данных Harmonized Landsat and Sentinel-2 (HLS) L30 и обучена на метках GEDI для 15 биомов по всему миру. В основе модели лежит Swin-B Transformer, предварительно обученный методом SimMIM; для регрессии используется декодер UPerNet с двумя слоями Pixel Shuffle для увеличения разрешения выходной карты. Модель помогает оценивать высоту растительности для мониторинга лесных ресурсов, расчётов углеродного цикла и оценки урожайности. Входом служат оптические спутниковые изображения, выходом — карта высоты растительности. Для подготовки входных данных авторы использовали безоблачные сезонные композиты; облака и сезонная или географическая специфика могут влиять на пригодность результатов. Модель выпущена по лицензии Apache-2.0. IBM сообщает, что не обязуется предоставлять обновления, улучшения или поддержку проекта.

NaturalAntibody/human_heavy — трансформер RoBERTa для предсказания аминокислоты в заданной позиции последовательности тяжёлой цепи человеческого антитела. Модель содержит 20,2 млн параметров, принимает последовательности с маскированной позицией и предсказывает её содержимое; контекст — до 202 токенов. Модель предназначена для анализа последовательностей антител и заполнения пропущенных аминокислот. Карточка не сообщает подробностей о данных обучения или дополнительных сценариях применения. Распространяется в формате PyTorch по лицензии CC BY-NC-SA 4.0, которая требует указания авторства, распространения производных материалов на тех же условиях и запрещает коммерческое использование.

MechBERT-uncased — англоязычная BERT-модель, разработанная для работы с научными текстами о механических свойствах материалов. Она предварительно обучена на корпусе статей из литературы по напряжению и деформации и инициализирована весами BERT-base-uncased. Архитектура — BERT с маскированным языковым моделированием, 136,7 млн параметров и контекстом до 512 токенов. Модель подходит для предсказания замаскированных слов и анализа формулировок в публикациях о механических свойствах. Карточка указывает лицензию GPL-3.0. Специализированное обучение на научных статьях может быть полезно для материаловедения и инженерии, но само по себе не подтверждает точность для прикладных расчётов или выводов; для таких сценариев необходима отдельная проверка.

ParticleViT-S — 15,9-миллионная модель семейства ParticleViT, разработанная авторами исследования «Predict before you train: scaling laws for particle physics foundation models». Это трансформер для представления частиц, составляющих струю в данных коллайдера: каждая частица становится токеном, а итоговое представление считывается с добавленного CLS-токена. Архитектура включает 5 блоков, ширину 512 и 8 голов внимания; позиционные кодировки не используются, поскольку частицы рассматриваются как множество. Модель предварительно обучена классифицировать струи по 210 меткам на корпусе OmniLearned, объединяющем симулированные и реальные данные физики высоких энергий. Её представления предназначены для извлечения признаков и последующей тонкой настройки под задачи тегирования струй, например с заменой классификационной головы. На вход подаются признаки до 150 частиц струи и требуется применить поставляемую нормализацию кинематических признаков. Модель не использует физически заданные индуктивные смещения, такие как лоренц-эквивариантность или признаки парных взаимодействий; качество для конкретной задачи тегирования зависит от последующей настройки. Лицензия — MIT.

PoreBERT-DNA-VQI-110M-530 — энкодерная модель семейства BERT, разработанная для изучения представлений сигналов нанопорового секвенирования ДНК. Она содержит около 115,2 млн параметров и использует 12 слоёв трансформера с размером скрытого состояния 768. Модель обучена предсказывать замаскированные токены в двунаправленном контексте; контекст составляет до 1536 токенов. Модель предназначена для последующих задач анализа данных нанопорового секвенирования. На вход она принимает не необработанный электрический сигнал, а последовательность дискретных токенов, созданных соответствующим VQ-токенизатором PoreCodec. Предварительное обучение проводилось на токенизированных сигналах секвенирования ДНК; карточка связывает набор данных с HG002. Модель распространяется под лицензией OpenRAIL.

ElvisWang111/Qwen3-4B-OutsideTheBox-RL — языковая модель на архитектуре Qwen3, разработанная для исследования выборочного использования внешних инструкций при математических рассуждениях. Это плотная causal language model примерно на 3,7 млрд параметров, дообученная методом обучения с подкреплением на основе результата задачи после этапа SFT Qwen3-4B-OutsideTheBox-SFT. Контекст — до 40 960 токенов; модель работает с текстом и поддерживает диалоговый режим. Модель предназначена для математических задач с рабочими процессами или подсказками: она обучалась учитывать полезные инструкции и сопротивляться вводящим в заблуждение. Чекпойнт соответствует RL-этапу, описанному в исследовательской статье, и рассчитан прежде всего на эксперименты с математическими рассуждениями и устойчивостью к ошибочным рекомендациям. Лицензия — Apache-2.0.

SeongryongJung/Qwen3-8B-Materials-SRPO-TR — это дообученный вариант Qwen3-8B, обученный методом SRPO-TR на задаче Materials с размером батча 32. Репозиторий содержит лучший контрольный снимок по validation mean@16 на шаге 20; финальный снимок находится в checkpoints/last/. Модель основана на плотной авторегрессионной архитектуре Qwen3ForCausalLM и содержит 7,6 млрд параметров. Модель предназначена для генерации текста и экспериментального применения обучения с подкреплением к задачам из набора Materials. В README приведён результат validation mean@16 69,28%; контекст модели составляет 40 960 токенов. Её можно загружать через Transformers как причинную языковую модель. Лицензия Apache-2.0.

SpatialHarmonicNet — модель пространственной регрессии, разработанная автором репозитория hsilvosa. Она оценивает фоновый уровень окружающего излучения в мкЗв/ч по широте и долготе и предназначена для построения пространственных базовых оценок и предварительного выявления аномалий радиационного фона. Модель использует плотную нейросетевую архитектуру: координаты проецируются на единичную сферу, кодируются многомасштабными сферическими гармоническими признаками и обрабатываются остаточной сетью MLP. Выход включает оценку среднего логарифма излучения и неопределённости; для классификации аномалий применяются Z-оценки и конформные интервалы. Обучение выполнено на краудсорсинговых измерениях Safecast Historical Dataset. В README приведены результаты пространственного тестирования, включая R² 0,0785 по логарифмической шкале. Репозиторий содержит форматы PyTorch, Safetensors и ONNX. Лицензия CC0 1.0. Модель подходит для исследовательского анализа и скрининга, но не заменяет официальные измерения или регулирующий мониторинг: данные получены мобильными счётчиками Geiger-Müller и используют калибровочные приближения для Cs-137.

seqLens_4096_512_106M — геномная языковая модель семейства seqLens, разработанная omicseye. Это энкодер на архитектуре DeBERTa v2 с disentangled attention и относительным позиционным кодированием; модель содержит 138,4 млн параметров и принимает последовательности ДНК для заполнения маскированных участков. Она предназначена для анализа геномных последовательностей и может служить основой для задач геномной аннотации и фенотипического прогнозирования. Модель обучена на наборе omicseye/prok_heavy, содержащем прокариотические геномы. В README семейство seqLens описано как эффективное для фенотипических предсказаний, однако отдельные результаты именно этой версии не приведены. Максимальный контекст — 512 токенов. Лицензия CC-BY-NC 4.0 разрешает некоммерческое использование; для коммерческого лицензирования предлагается обратиться к разработчикам.

dkarthikeyan1/tcrt5_pre_tcrdb — предобученная модель, разработанная как основа для дообучения TCRT5. Это компактная seq2seq-модель на архитектуре T5 с 9,2 млн параметров, реализованная для Transformers; она обучалась восстанавливать замаскированные фрагменты последовательностей CDR3β и пептидных псевдопоследовательностей. Контекст модели составляет 512 токенов. Модель предназначена для дообучения на пользовательских наборах данных, связанных с T-клеточными рецепторами и pMHC. После дообучения её можно применять для генерации последовательностей TCR по целевому pMHC, обратной генерации pMHC по TCR, а также, с дополнительной настройкой, для классификации или регрессии по последовательностям. Модель обучалась на данных TCRdb и IEDB. Она рассчитана на последовательности пептидных псевдопоследовательностей и CDR3β; одни только пептиды, CDR3α и другие части TCR находятся вне распределения обучения. Лицензия CC BY-NC-SA 4.0 требует указания авторства и ограничивает коммерческое использование и распространение производных на условиях лицензии.

TopoDiT — генеративная модель из проекта Optimize Any Topology 2 (OAT2), разработанная командой OpenTO. Это условный диффузионный трансформер с 688,6 млн параметров, обученный методом flow matching. Модель генерирует топологии конструкций с минимальной податливостью в латентном пространстве замороженного автоэнкодера нейронного поля OpenTO/NFAE. На вход подаются форма области, размер ячейки сетки, целевая доля объёма, граничные условия и нагрузки. Модель предназначена для генерации структурных топологий при разных разрешениях и соотношениях сторон. В тесте OpenTO на 5000 задачах без дообучения и classifier-free guidance она показала ошибку податливости 0,46% и частоту неудач 21,8% для одного образца. Рекомендуемый режим — 20 шагов Euler; в README также указано, что 5–10 шагов дают сопоставимое качество. Модель принимает изображения как пространственное представление условий и выдаёт изображение топологии. Репозиторий содержит веса в формате safetensors; лицензия — MIT. Результаты приведены для тестового набора OpenTO и сами по себе не гарантируют качество на других задачах или конструкциях.

Модель ghadeermobasher/BC5CDR-Disease-Modified_BiomedNLP-PubMedBERT-base-uncased-abstract опубликована пользователем ghadeermobasher на Hugging Face. Это модель классификации токенов на базе архитектуры BERT, связанная с BiomedNLP-PubMedBERT и набором BC5CDR-Disease. Она предназначена для извлечения и разметки упоминаний заболеваний в биомедицинских текстах, включая аннотации публикаций PubMed. Модель содержит около 136,7 млн параметров и поддерживает контекст до 512 токенов. Она рассчитана на работу через библиотеку Transformers с фреймворком PyTorch. Модель специализирована на биомедицинской предметной области и не является универсальной генеративной моделью. Ограничения включают максимальную длину контекста 512 токенов и узкую специализацию на токен-классификации заболеваний. Лицензия в доступных данных не установлена.

BioBERT-Base v1.1 — модель обработки биомедицинского текста, разработанная исследователями DMIS Lab Корейского университета. Она основана на BERT-base-Cased и дополнительно обучена на корпусе PubMed, чтобы лучше представлять научную и медицинскую лексику. Модель используют как основу для извлечения биомедицинских сущностей, классификации отношений между ними, ответов на вопросы и построения эмбеддингов текста. Это энкодер для входного текста, а не универсальная генеративная модель; для конкретных задач обычно требуется дообучить или дополнить её соответствующей головой. Размер — 135,5 млн параметров, максимальный контекст — 512 токенов. Модель рассчитана на английский язык. Модель опубликована в формате PyTorch. В доступных метаданных лицензия не указана; перед использованием следует проверить условия в репозитории разработчика. Ограничение контекста и узкая биомедицинская специализация делают её менее подходящей для длинных документов и обычного неспециализированного текста.

QizhiPei/biot5-plus-base-chebi20 — англоязычная модель семейства T5 с архитектурой encoder-decoder и примерно 126 млн параметров. Карточка показывает загрузку весов и токенизатора через Transformers для генерации текста по текстовому входу. Название указывает на BioT5+ и настройку на наборе ChEBI-20, что предполагает применение в биомедицинских задачах генерации текста, связанных с химическими соединениями. Карточка не описывает конкретные форматы запросов и целевые сценарии, поэтому специализацию следует считать ориентировочной. Модель распространяется по лицензии MIT.

Это компактный детектор объектов YOLO26n, дообученный на наборе Brackish Underwater в рамках DetectionBench. Он предназначен для обнаружения морских организмов на подводных изображениях и видеокадрах, включая крабов, рыб, медуз, креветок и морских звёзд. В тесте набора Brackish Underwater модель показала mAP@50 98,95% и mAP@50–95 83,66%; эти результаты относятся к указанному набору и протоколу оценки. Обучающие данные имеют сильный дисбаланс классов, а съёмка велась одной камерой в одном месте, поэтому переносимость на другие камеры, акватории и типы воды не проверена. Модель распространяется по лицензии AGPL-3.0.

Это дообученный детектор объектов YOLOv8s, опубликованный пользователем dronefreak и обученный на наборе Brackish Underwater в рамках DetectionBench. Модель предназначена для обнаружения подводных животных на изображениях; среди классов — крабы, рыбы, медузы, креветки и морские звёзды. Она использует архитектуру Ultralytics YOLOv8s и распространяется в формате PyTorch по лицензии AGPL-3.0. На тестовой выборке Brackish Underwater указаны mAP@50 99,3%, mAP@50–95 85,65%, точность 99,36% и полнота 98,53%. Эти результаты относятся к конкретному набору данных и условиям съёмки. В обучающих данных выражен дисбаланс классов: креветки и медузы представлены редко, а съёмка велась одной камерой в одном месте; перенос на другие камеры, водоёмы и типы воды не проверен.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted-wwmask-combinedData — англоязычная модель BERT для предсказания замаскированных токенов. Она дообучена Mardiyyah на наборе Mardiyyah/Combined_TAPT_dataset на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Модель содержит 138,2 млн параметров, использует архитектуру BertForMaskedLM и принимает последовательности длиной до 512 токенов. Модель предназначена для восстановления пропущенных слов в англоязычных биомедицинских текстах и может применяться для адаптации к задачам анализа научной и медицинской литературы. В README приведены результаты оценки: loss 1,1730, accuracy 0,7562 и perplexity 3,2318. Использование модели регулируется лицензией Apache-2.0.

Модель EPFL-ECEO для семантической сегментации изображений коралловых рифов. Она использует энкодер DINOv3 ViT-B/16 с замороженными весами и декодер DPT; модель дообучена на CoralscapesV2 с объединёнными LoRA-адаптерами. Выход содержит оценки для 39 классов Coralscapes, а отдельный класс соответствует неразмеченным пикселям. Модель предназначена для разметки подводных кадров и анализа сцен коралловых рифов. В README приведены результаты на тестовых разделах CoralscapesV2 и Coralscapes V1: при двух проходах по кадру mIoU составляет 60,810% и 59,668% соответственно. Для загрузки предоставлен собственный код; модель не совместима напрямую с Transformers AutoModel. Лицензия — Apache-2.0.

Карточка модели deepseek-ai/DeepSeek-Prover-V1.5-Base на Hugging Face совпадает с карточкой deepseek-ai/DeepSeek-Prover-V1.5-RL, поэтому описание составлено по ней. DeepSeek-Prover-V1.5-RL — языковая модель DeepSeek AI для автоматического доказательства теорем в Lean 4. Это плотная авторегрессионная модель семейства Llama с 6,5 млрд параметров и контекстом 4096 токенов. Модель дообучена с подкреплением на основе обратной связи от proof assistant после этапа supervised fine-tuning; для поиска доказательств авторы также предлагают метод RMaxTS на основе Monte Carlo tree search. Модель предназначена для генерации формальных доказательств и поиска путей доказательства математических утверждений в Lean 4. В README указаны результаты 63,5% на тестовой части miniF2F и 25,3% на ProofNet. Репозиторий содержит веса safetensors и поддерживает генерацию текста. Указана лицензия other; конкретные условия следует проверять в файлах лицензии репозитория.

DeepSpot-M — мультимодальная модель исследовательской группы Ratschlab для предсказания пространственной экспрессии генов по гистологическим изображениям. Она принимает тайлы H&E размером 224×224 пикселя и использует дообученный с LoRA энкодер Midnight вместе с декодером перекрёстного внимания, который связывает признаки изображения с биологическими представлениями генов. Модель предсказывает экспрессию примерно для 19 тысяч генов и позволяет запрашивать отдельные гены, в том числе не встречавшиеся при обучении. Её можно применять для исследования виртуальной пространственной транскриптомики на изображениях опухолевой ткани и анализа целых гистологических препаратов. Модель разработана для обработки изображений, а не для клинических решений. DeepSpot-M дообучена на базе kaiko-ai/midnight; веса опубликованы в формате safetensors. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях указания авторства, распространения производных материалов на тех же условиях и некоммерческого применения. Авторы ограничивают назначение исследовательскими задачами.

DNADebertaK6_Fruitfly — модель семейства DeBERTa с 59,8 млн параметров, дообученная для заполнения маскированных фрагментов последовательностей. Она предназначена для предсказания скрытых токенов в последовательностях ДНК плодовой мушки. Модель использует архитектуру DebertaForMaskedLM, работает с входом длиной до 512 токенов и опубликована в формате PyTorch. В README приведён результат оценки: loss 1,7137. Данные об обучающем наборе и подробные сведения о качестве и ограничениях не раскрыты. Лицензия в предоставленных данных не указана.

GENATATOR-ModernGENA — модель AIRI Institute для поиска границ транскриптов непосредственно по последовательностям геномной ДНК. Она выполняет токенную многометочную классификацию и предсказывает положения сайтов начала транскрипции (TSS) и терминации (PolyA) отдельно для прямой и обратной цепей; модель предназначена для поиска границ мРНК и длинных некодирующих РНК (lncRNA) по геному. Модель дообучена на ModernGENA, архитектуре ModernBERT: 22 слоя, скрытый размер 768, около 135,5 млн параметров, BPE-токенизация. Обучение охватывает 39 видов млекопитающих и включает полногеномные последовательности с межгенными областями. Контекст составляет 1024 токена. Модель выдаёт логиты границ; для построения интервалов транскриптов нужны постобработка и, как правило, парная модель регионов. Модель подходит для поиска TSS и сайтов PolyA в геномных данных и обнаружения границ мРНК и lncRNA у разных видов млекопитающих. Она не предсказывает структуру экзонов и интронов, альтернативный сплайсинг или готовые аннотации транскриптов; результат зависит от настроек последующего поиска пиков. Распространяется по лицензии Apache-2.0.

vesteinn/gpt2-dna — символьная GPT-2-подобная языковая модель для предсказания следующего основания в последовательностях человеческой ДНК. Она обучена на наборе simecek/Human_DNA_v0 и принимает символы A, C, G и T с токенизацией на уровне отдельных оснований. Архитектура — GPT-2 (GPT2LMHeadModel); контекст составляет 1024 токена, то есть основания ДНК. Модель предназначена для генерации последовательностей ДНК, изучения геномных представлений и предсказания закономерностей на уровне оснований; её также можно дообучать для биологических задач классификации. В README указаны validation loss 1,0299 ната на токен и точность 53,24%; заявлено достижение примерно 1,486 бита на основание при сравнении энтропии с классическими компрессорами. Репозиторий использует Transformers и формат safetensors. Модель обучена только на человеческой ДНК, поэтому не предназначена для последовательностей других видов. Она не моделирует обратные комплементарные последовательности и не обучалась с objective masked language modeling. Лицензия в предоставленных данных не указана.

RF-DETR Medium — детектор объектов, дообученный автором dronefreak на наборе Global Wheat Head Dataset в рамках DetectionBench. Модель находит и локализует на изображениях колосья пшеницы; она рассчитана на анализ полевых снимков, в том числе при высокой плотности объектов и перекрытии соседних колосьев. На тестовой выборке GWHD указаны mAP@50 67,1%, mAP@50–95 27,11% и precision 78,6%. Это одноклассовая модель: все целевые рамки относятся к классу wheat_head. Результаты различаются по странам, а качество на сортах и полевых условиях, не представленных в обучающих данных, не проверено. Базовая архитектура — RF-DETR Medium; модель распространяется в формате PyTorch через библиотеку rfdetr. Лицензия модели — Apache-2.0.

LLaVA-Med — исследовательская модель компьютерного зрения и языка для биомедицины, разработанная Chunyuan Li, Cliff Wong и соавторами. Это плотная архитектура LLaVA на базе LLaMA с 6,6 млрд параметров, дообученная в два этапа: на согласование биомедицинских понятий и затем на выполнение инструкций. Репозиторий содержит delta-веса: их нельзя использовать самостоятельно, для получения рабочих весов LLaVA-Med их нужно применить к исходным весам LLaMA. Модель предназначена для исследований в области биомедицинских визуально-языковых систем: она принимает изображения и текстовые запросы и формирует текстовые ответы, в том числе для визуальных вопросов и открытых вопросов о биомедицинских изображениях. В обучающих данных PMC-15M представлены изображения микроскопии, рентгенографии, гистологии и других типов. Карточка описывает оценку на наборах PathVQA, VQA-RAD и других исследовательских задачах. Модель обучалась на англоязычных корпусах и может быть ограничена английским языком. Она может ошибаться, а данные обучения могут отражать смещения научных публикаций. Модель не предназначена для клинической помощи или принятия медицинских решений. Использование ограничено исследовательскими и некоммерческими целями; также применяются ограничения лицензий базовых LLaMA, Vicuna и GPT-4, а данные распространяются по CC BY-NC 4.0.

Модель yileitu/Mdist_8B_Chem_from_Mspec_Lora_Rank64_Qwen3_8B — дообученная на наборе MLo_SMol_NEW_from_lora_rank64_merged_shuffled_43k версия Qwen3-8B. Это плотная авторегрессионная языковая модель на 7,6 млрд параметров для генерации текста в диалоговом формате; карточка указывает библиотеку Transformers и контекст до 40 960 токенов. Название модели и датасета указывают на химическую специализацию, однако README не описывает конкретные навыки или проверенные сценарии применения. Модель принимает текст и выдаёт текст. Базовая Qwen3-8B — многоязычная модель; языки, на которых проводилось дообучение и для которых эта версия рассчитана в первую очередь, в карточке не раскрыты. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели.

nanoBERT — специализированный трансформер компании Natural Antibody для предсказания аминокислоты в заданной позиции последовательности нанотела. Модель обучена на последовательностях нанотел из INDI (Integrated Nanobody Database for Immunoinformatics) и использует архитектуру RoBERTa с языковой моделью для заполнения маски. В репозитории указаны веса PyTorch; размер модели — 20,2 млн параметров, контекст — 202 токена. Модель подходит для анализа последовательностей нанотел и оценки возможных аминокислот в выбранной позиции. Она предназначена для биоинформатических и исследовательских сценариев, связанных с нанотелами. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных на тех же условиях и не допускает коммерческое использование. Карточка не описывает точность предсказаний и ограничения применения.

ParticleViT-B — трансформерная модель семейства ParticleViT, разработанная авторами работы «Predict before you train: scaling laws for particle physics foundation models». Она предназначена для получения признаковых представлений струй в физике высоких энергий и последующей адаптации для классификации струй и других задач их тегирования. Модель обучена на объединённом наборе OmniLearned; при предобучении классифицировала 210 классов меток. Архитектура обрабатывает каждую частицу струи как токен и использует один добавленный в начало class-токен для считывания представления. В модели 66,7 млн параметров, 8 слоёв, ширина 832 и 13 голов внимания. На вход подаются признаки частиц струи: до 150 частиц и 9 каналов признаков. Для инференса требуется штатное преобразование нормализации входных данных. Модель не использует позиционные кодировки или специализированные физические индуктивные смещения; её можно дообучать сквозным образом с новой линейной классификационной головой. ParticleViT-B распространяется под лицензией MIT. Карточка не приводит измерений качества на downstream-задачах; перенос между наборами данных и условиями детектора требует проверки. Для корректной работы необходимо соблюдать формат входных признаков и применять соответствующую нормализацию.

L-Qwen3-0.6B — компактная языковая модель, разработанная Insilico Medicine и Liquid AI для интерпретации данных биологии старения. Она создана полнопараметрической донастройкой Qwen/Qwen3-0.6B и использует архитектуру decoder-only transformer с инструкционной настройкой для нескольких задач. Модель предназначена для исследовательской работы с разнородными мультиомными и клиническими данными, связанными со старением, и для интерпретации биологических данных. Она работает на английском языке, имеет контекстное окно 32 768 токенов и опубликована в формате BF16. Лицензия — CC-BY-ND-4.0.