IV.6Научные исследования, математика и новые материалы

Bio-posttrain Gemma-4-E2B RNA SFT — дообученная модель на базе google/gemma-4-E2B-it из коллекции Bio-posttrain, связанной с исследованием влияния постобучения на биологические модели рассуждения. Она предназначена для диалоговой работы с представлениями РНК: на вход при инференсе подаются заранее рассчитанные эмбеддинги последовательностей TranscriptFormer размерности 2048, которые проецируются в пространство скрытых представлений Gemma. Чекпойнт включает объединённые веса модели и проекцию RNA; в README также указаны параметры LoRA rank 32 и alpha 64, использованные при настройке. Для загрузки описан стек Transformers. Модель рассчитана на биологические сценарии, связанные с РНК и рассуждениями о ней. Метаданные Hugging Face помечают её как image-text-to-text и указывают возможности чата и зрения, однако README описывает RNA-эмбеддинги как дополнительный вход и не приводит конкретных задач анализа изображений. Лицензия указана как gemma; следует учитывать условия лицензии Gemma. В README приведена validation loss 0.9227, но она сама по себе не характеризует качество на пользовательских задачах.

Это модель обнаружения объектов YOLO26m, дообученная на наборе Brackish Underwater разработчиком репозитория dronefreak в рамках DetectionBench. Она предназначена для поиска и локализации крабов, рыб, медуз, креветок, мелкой рыбы и морских звёзд на подводных изображениях и видеокадрах. Модель использует архитектуру Ultralytics YOLO26 и распространяется в формате PyTorch; лицензия репозитория — AGPL-3.0. На тестовой части Brackish Underwater автор сообщает mAP@50 98,74% и mAP@50–95 85,93%. Эти показатели относятся к конкретному тестовому набору и не гарантируют такую же точность на других камерах и местах съёмки. В обучающих данных выражен дисбаланс классов, а съёмка выполнена одной камерой в одном месте; перенос на морскую или пресную воду и другие условия не проверен.

jonas-luehrs/chembert_cased-MLM-chemistry — модель BERT с 135,5 млн параметров, дообученная автором на неизвестном наборе данных на основе jiangg/chembert_cased. Она предназначена для заполнения пропусков в текстах о химии: модель предсказывает замаскированный токен с учётом окружающего контекста. Контекст составляет до 512 токенов; модель работает с текстом и распространяется в формате PyTorch. Карточка сообщает значение loss 2,1485 на оценочном наборе, но не раскрывает состав данных и подробности оценки, поэтому результат нельзя интерпретировать как общую меру качества. Лицензия и специальные ограничения использования в доступных сведениях не описаны.

Chronos-1.5B — англоязычная генеративная языковая модель, представленная автором карточки как гибрид классической нейросети и квантовых методов. По README, в основе лежит WeiboAI/VibeThinker-1.5B с архитектурой Qwen2ForCausalLM; модель содержит около 1,5 млрд параметров трансформера и небольшой квантовый компонент с двумя кубитами. Карточка заявляет, что параметры квантовых схем обучались на процессоре IBM Heron r2 и включены в репозиторий, поэтому для запуска квантовое оборудование не требуется. Метаданные указывают контекст 32 768 токенов, форматы safetensors и GGUF F16, библиотеку Transformers и лицензию MIT. Модель предназначена для генерации текста и диалогов, особенно по темам квантовой механики, физики и химии, включая рассуждения о квантовых схемах, коррекции ошибок и квантовой химии. В README приведены высокие результаты на отдельных математических тестах, однако описание также отмечает экспериментальный характер квантового компонента и отсутствие подтверждённого практического преимущества. Модель сфокусирована на английском языке; качество для других языков не заявлено. Это дообучение WeiboAI/VibeThinker-1.5B, распространяемое по лицензии MIT.

Модель разработана для сегментации изображений коралловых рифов иерархической схемой из 95 семантических классов. Она использует энкодер DINOv3 ViT-L/16 с объединёнными LoRA-адаптерами и декодер DPT; исходные веса энкодера взяты из facebook/dinov3-vitl16-pretrain-lvd1689m. Модель обучена на наборе CoralscapesV2, содержащем плотную разметку кадров с 55 участков Красного моря. Модель принимает изображение и выдаёт плотную карту классов: 96 логитов, где ID 0 соответствует игнорируемой пустой области, а ID 1–95 — семантическим классам рифовой сцены. Она предназначена для экологического анализа подводных изображений, включая картирование кораллов и других объектов рифа. В README приведены результаты оценки на тестовых выборках CoralscapesV2 и Coralscapes V1. Для загрузки требуется код из репозитория модели; это не стандартная модель Transformers AutoModel. Репозиторий распространяется по лицензии Apache-2.0. Качество и набор классов ориентированы на изображения коралловых рифов, поэтому применимость к другим сценам не подтверждена.

Это модель классификации крон деревьев по роду, разработанная командой Weecology для экосистемы DeepForest. Она принимает RGB-изображение отдельной кроны размером 224×224 пикселя и относит его к одному из 60 родов деревьев; для выделения крон предполагается использовать детектор DeepForest. В основе лежит ResNet-18 из torchvision с предварительным обучением на ImageNet. Модель обучена на 47 971 кроне с 30 площадок NEON в Северной Америке, на изображениях с разрешением 0,1 м. На тестовой выборке указаны точность 87,8%, macro F1 0,81 и weighted F1 0,88. Модель предназначена для классификации крон на RGB-снимках в задачах экологического мониторинга и анализа растительности. Это специализированный классификатор изображений, распространяемый в формате safetensors и рассчитанный на работу с библиотекой DeepForest. Лицензия — MIT. Результаты относятся к указанной тестовой выборке; перенос на другие регионы, виды изображений или условия съёмки в карточке не оценён.

Это компактная модель обнаружения объектов RF-DETR Nano, дообученная автором dronefreak на наборе GC10-DET в рамках DetectionBench. Она предназначена для поиска и локализации десяти типов дефектов на изображениях металлических поверхностей: складок, трещин и пятен, отверстий и других дефектов проката. Модель принимает изображения и возвращает классы дефектов с ограничивающими рамками. На тестовом разделении GC10-DET указаны mAP@50 70,17% и mAP@50–95 38,06%. Набор содержит 2 300 изображений, а применённое разделение 80/10/10 создано проектом, поскольку у исходного набора нет официального разделения. Качество по редким классам может быть нестабильным; например, для класса crease в README отмечено мало примеров. Данные представляют собой преимущественно одиночные дефекты на серых промышленных изображениях проката, поэтому показатели не характеризуют работу на обычных фотографиях или в плотных сценах. Модель распространяется по лицензии Apache-2.0.

AI-MO/Kimina-Prover-Distill-1.7B — компактная модель для автоматического доказательства теорем, разработанная командами Project Numina и Kimi. Это плотная причинная языковая модель семейства Qwen3 с 1,7 млрд параметров, дообученная дистилляцией Kimina-Prover-72B, которая обучалась с применением обучения с подкреплением. Модель предназначена для решения задач в стиле математических соревнований и работы с доказательствами на Lean 4. В карточке сообщается точность 72,95% Pass@32 на тестовом наборе MiniF2F. Модель доступна в формате safetensors, поддерживает генерацию текста и диалоговый интерфейс; метаданные указывают контекст 40 960 токенов и английский язык. Лицензия — Apache-2.0. Для применения нужны среда вывода и инструменты Lean 4; указанная метрика не гарантирует такой же результат на других задачах.

LFM2-2.6B-Longevity — компактная языковая модель для интерпретации разнородных данных о биологии старения. Её совместно разработали Insilico Medicine и Liquid AI для исследования старения и анализа мультиомных и клинических данных. Модель основана на LiquidAI/LFM2-2.6B и дообучена методом supervised fine-tuning со всеми параметрами на корпусе по биологии старения. Она использует гибридную архитектуру Liquid с мультипликативными вентилями и короткими свёртками; размер составляет 2,4 млрд параметров, окно контекста — до 128 000 токенов по метаданным. Основной язык — английский. Модель поддерживает диалоговый формат ChatML с режимами динамического рассуждения. Модель предназначена для исследовательского анализа данных о старении, включая мультиомику и клинические сведения. Её ответы являются прогнозами и требуют экспериментальной проверки; они не заменяют медицинскую консультацию. Качество лучше на типах данных, представленных в обучающем корпусе. В метаданных указана лицензия other, конкретные условия использования следует сверять с лицензией репозитория.

Limite 1B - Violetto — плотная авторегрессионная трансформерная модель компании Paradigma с примерно 996,3 млн параметров. Она обучена с нуля на тщательно отобранной смеси менее чем из 300 млрд токенов; для улучшения решения задач использовались синтетические данные, контролируемое дообучение и обучение с подкреплением. Модель генерирует текст и поддерживает контекст до 131 072 токенов. Violetto предназначена прежде всего для высокопроизводительного решения сложных математических задач, включая задачи олимпиадного уровня. Она рассчитана на ответы в одном ходе и слабо настроена на следование инструкциям: модель может менять тему запроса на математическую задачу и не подходит как универсальный ассистент. В README приведены результаты на математических бенчмарках, но конфигурации и источники оценок могут различаться. Модель распространяется по лицензии Apache-2.0.

MarinDNA v0.5 scaling ladder — 46M — это авторегрессионная языковая модель для последовательностей ДНК, разработанная Marin. Данный репозиторий содержит финальный чекпойнт модели с 45,9 млн параметров; это самая маленькая из восьми моделей линейки. Архитектура — декодерный Transformer, совместимый с Qwen3, а веса сохранены в формате Safetensors и загружаются через Transformers. Модель принимает необработанные последовательности ДНК из букв A, C, G и T: токенизатор без учёта регистра кодирует один нуклеотид одним токеном и добавляет BOS. Контекст составляет 256 токенов, из которых один занимает BOS, поэтому вход ограничен 255 основаниями. Модель обучалась на смесях кодирующих, вышележащих и нижележащих геномных последовательностей. Карточка связывает линейку с прогнозированием эффектов вариантов, но не описывает отдельные процедуры оценки или гарантии точности. Лицензия — Apache-2.0. Токенизатор отображает другие символы в UNK; модель предназначена для нуклеотидных последовательностей, а не для обычного текста.

Mascaret — модель Waiv для извлечения признаков из гистологических изображений в вычислительной патологии. Она создана как версия Midnight-12k, дообученная по рецепту, который повышает устойчивость к различиям в сканерах и лабораториях. Модель использует энкодер DINOv2 и предназначена для получения визуальных признаков, которые можно применять в последующих задачах анализа патологических изображений и онкологических исследований. Waiv делится моделью для бенчмаркинга и исследовательского использования. Для загрузки весов требуется доступ к gated-репозиторию; лицензия обозначена как other, поэтому условия использования следует уточнить на странице модели.

Это автономная копия дообученной модели PODS-AI для обнаружения нескольких видов по аудиозаписям. Разработчик — aibatchelor22. Модель построена на Audio Spectrogram Transformer (AST) и содержит совместно обученные головы бинарной классификации KW, классификации видов и классификации экотипов; размер — 113,2 млн параметров. Репозиторий включает веса, конфигурации архитектуры и извлечения признаков, а также метаданные меток и предобработки. Модель предназначена для биоакустического анализа и многозадачной классификации аудио, включая выявление KW и отнесение записей к видам и экотипам. Это автономная копия контрольной точки, её предполагается загружать через совместимый загрузчик PODS-AI load_training_model(). Лицензия в предоставленных данных не указана.

Neuro-JEPA Base — модель представлений для объёмных нейровизуализационных данных, разработанная исследователями NYU Langone Health. Она расширяет предсказательное встраивание V-JEPA 2 на трёхмерные МРТ головного мозга и использует разреженную архитектуру 3D Vision Transformer с Mixture of Experts и обучением по JEPA. Модель содержит 122 млн параметров и обучалась без учителя на примерно 1,55 млн снимков T1w, T2w и FLAIR. Модель извлекает признаки из объёмных изображений мозга для последующего обучения классификаторов и мультимодальных моделей. В README описаны сценарии диагностики заболеваний, прогнозирования, оценки возраста и анализа времени до события; представлены результаты по 47 задачам на исследовательских и клинических когортах. Модель предназначена для работы с нейровизуализацией, в частности с файлами NIfTI. Это исследовательский инструмент, а не средство для клинической диагностики или лечения: модель не имеет разрешения FDA или другого регулятора. Её представления могут отражать смещения исходной когорты NYU Langone. Доступ к весам предоставляется по запросу и при согласии с условиями использования; лицензия CC BY-NC-ND 4.0 ограничивает коммерческое использование и распространение производных материалов.

PoreCodec-RSQ742C12A — нейросетевой кодек для сжатого представления электрических сигналов нанопорового секвенирования. Модель использует одномерный сверточный энкодер с 512-мерным латентным представлением и понижающей дискретизацией ×4, а затем детерминированную остаточную конечную скалярную квантизацию (Residual FSQ). Для каждого положения сигнала формируются иерархические дискретные токены; декодер может восстановить сигнал из токенов или индексов квантизации. Модель предназначена для токенизации и сжатия подготовленных сигналов, обучения моделей представлений и трансформеров для нанопоровых данных, а также поиска и индексирования чтений. Предобработка включает исправление границ и выбросов, нормализацию median-MAD и, в зависимости от стратегии, медианную фильтрацию и сглаженное ограничение значений. По карточке, детерминированная FSQ не подвержена коллапсу кодовой книги и позволяет выполнять быстрый поиск кодов. Модель опубликована ShuaiAnwo в формате safetensors, совместима с Transformers AutoModel и распространяется по лицензии Apache-2.0. Она рассчитана на входные электрические сигналы нанопор после соответствующей предобработки; для непосредственного basecalling и предсказания последовательности ДНК не предназначена.

JuIm/ProGemma — экспериментальный вариант Gemma 2 от JuIm, настроенный для предобучения на последовательностях аминокислот длиной до 512 остатков. Модель предназначена для генерации белковых последовательностей и исследования отличий такой генерации от ProtGPT на базе GPT-2. В карточке описан промежуточный чекпойнт: на дату обновления он прошёл около 80% обучающего набора в первой эпохе; автор сообщает о потерях обучения около 2,6 и оценках perplexity и AlphaFold 3, в целом сопоставимых с ProtGPT для последовательностей длиной до 250 аминокислот. Для более надёжных выводов требуется дополнительное тестирование. Конфигурация основана на Gemma 2, имеет 132,1 млн параметров, контекст 512 токенов и сохранена в safetensors. Карточка рекомендует вместо неё использовать JuIm/ProGemma2. Лицензия в доступных данных не указана.

QCOPM — разработанная Тунджай Акбарли мультимодальная модель для анализа графиков экспериментов по калибровке квантовых вычислительных систем. Она принимает изображения графиков вместе с текстовыми запросами и формирует технические выводы: описывает эксперимент, оценивает значимость результатов и качество аппроксимации, извлекает параметры и классифицирует успешность эксперимента. Модель использует архитектуру vision-language с разреженной Mixture-of-Experts: около 40 млрд параметров всего и примерно 5 млрд активных на токен. В карточке указана длина контекста 262 144 токена. Модель рассчитана на одиночные и несколько изображений, включая PNG и JPEG; язык карточки — английский. Автор сообщает о дообучении на 72,5 тыс. синтетических примеров и приводит результаты оценки на наборе из 1 200 запросов. В метаданных репозитория указаны GGUF-квантизации. Модель предназначена для исследователей квантовых вычислений, инженеров калибровки и разработчиков. Выводы об эксперименте следует проверять экспертам. Лицензия репозитория — MIT.

yorko/scibert_scivocab_uncased_long_4096 — версия SciBERT uncased, преобразованная в архитектуру Longformer; исходную SciBERT разработала Allen Institute for AI, а конверсию выполнил автор этой модели по руководству Allen AI. Это языковая модель на базе BERT с 137,1 млн параметров, предназначенная для работы с научными текстами и заполнения пропусков в тексте. Контекст увеличен с 512 до 4096 токенов, что позволяет подавать научные документы большей длины. Модель принимает английский текст и предсказывает замаскированные токены. Увеличенный контекст удобен для обработки полных научных статей, однако в README отмечено, что модель примерно в 2,5 раза медленнее обычной SciBERT. После преобразования не проводилось дополнительное MLM-предобучение, а обширные сравнения качества на прикладных задачах не выполнялись. Лицензия — MIT.

SDT-SatStreak — модель сегментации изображений, выпущенная вместе с исследованием Iulia Maria Istrate 2026 года. Она предназначена для попиксельного выделения следов спутников и космического мусора на широкоугольных астрономических снимках и для переноса между телескопами без разметки целевого сенсора. Модель построена на спайковом трансформере SDT-V3 с backbone на 10 млн параметров, квантованной FPN-частью и головой сегментации; всего содержит 11,5 млн параметров. Веса дообучены на снимках MeerLicht с дистилляцией от учителя U-Net ResNet-34. На вход подаются RGB-изображения с глубиной 8 бит на канал; снимки FITS с большей глубиной нужно предварительно растянуть и привести к поддерживаемому формату. Модель выдаёт маску классов «фон» и «след». Для работы с данными другого телескопа README рекомендует сопоставление гистограмм. Качество ограничено: слабые следы часто пропускаются или сегментируются частично, а в межсенсорном сценарии модель даёт много ложных кандидатов. Она обучена на кропах 512×512 при одном масштабе пикселя и не валидирована для оперативной оценки сближений или критически важных решений. Лицензия — Apache-2.0.

StepFun-Formalizer-32B — плотная языковая модель на архитектуре Qwen2, разработанная StepFun и дообученная на DeepSeek-R1-Distill-Qwen-32B. Модель предназначена для автоформализации: преобразования математических задач, записанных на естественном языке, в формальные утверждения на Lean 4. Модель содержит 32 млрд параметров, принимает текст и выдаёт текст; заявленная длина контекста — 131 072 токена. В README указаны сильные результаты на бенчмарках FormalMATH-Lite, ProverBench и CombiBench: по проверке BEq модель сопоставима с лучшими моделями аналогичного масштаба или превосходит их. Карточка не сообщает отдельных ограничений качества или поддерживаемых языков помимо английского в метаданных. Модель доступна под лицензией Apache-2.0.

UniPhysGen-1.7B-Physics — модель для физического и семантического описания частей 3D-объектов, разработанная в проекте UniPhysGen. Она объединяет языковую основу Qwen3-1.7B, кодировщик облаков точек Sonata и лёгкий MLP-проектор. Модель принимает облако точек всего объекта и облако целевой части и формирует структурированный результат с идентичностью детали, её функцией и движением, а также предполагаемыми физическими свойствами. Модель предназначена для исследований физического grounding 3D-частей, подготовки параметров для симуляции и как начальная точка для дообучения специализированных моделей UniPhysGen. Результаты могут включать материал, плотность, модуль Юнга, твёрдость, коэффициент Пуассона, трение, пригодность к захвату и affordance. Контекст языковой основы — 40 960 токенов; размер модели — 1,7 млрд параметров. Карточка указывает английский язык. Лицензия CC BY-NC 4.0 разрешает использование с некоммерческими ограничениями. Это не физический симулятор: предсказанные свойства являются оценками, а не результатами измерений. Точность может снижаться на неполных, разреженных или шумных облаках точек, незнакомых материалах, неоднозначно выделенных частях и объектах вне обучающего распределения; результаты следует проверять перед инженерным или робототехническим применением.

blizrys/biobert-base-cased-v1.1-finetuned-pubmedqa — модель на архитектуре BERT, дообученная на основе dmis-lab/biobert-base-cased-v1.1 для классификации текста. В README указано, что дообучение проводилось для PubMedQA, однако обучающий набор обозначен как None, поэтому связь с конкретными данными и метриками ограничена. Модель содержит 135,5 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch. Модель предназначена для классификации текстовых входов в сценариях вопросов и ответов по биомедицинским публикациям. В README приведены loss 2,3182 и accuracy 0,5 на оценочном наборе; это указывает на ограниченное качество в указанной оценке. Лицензия в предоставленных данных не указана.

BioLingual — аудиотекстовая модель для биоакустики, основанная на контрастивном предварительном обучении CLAP с языковым supervision. Разработчик описывает её как переносимую модель для работы с биологическими звуками; архитектура — ClapModel, размер — 132,1 млн параметров, формат репозитория — PyTorch. Модель предназначена для классификации аудио по текстовым меткам без дополнительного обучения, а также для получения аудио- и текстовых эмбеддингов и дообучения на задачах биоакустики. Например, можно сопоставлять запись с описаниями звуков животных, таких как кашалот или морской лев. В карточке указан датасет AnimalSpeak. README не сообщает о лицензии, поэтому условия использования по доступным данным определить нельзя. В примере карточки показаны результаты для звуков животных, но они не подтверждают точность на других наборах и условиях записи.

CeLLaTe-tapt-bioformer16l-tokenizer-adapted-baseline-combinedData — дообученная версия bioformers/bioformer-16l, подготовленная Mardiyyah на наборе Mardiyyah/Combined_TAPT_dataset. Это плотная модель семейства BERT с архитектурой BertForMaskedLM, предназначенная для заполнения пропусков в тексте: она предсказывает замаскированные токены с учётом окружающего контекста. Модель подходит для адаптации и экспериментов с биомедицинскими текстами; на указанном в карточке наборе оценки достигла loss 1,3221, accuracy 0,7303 и perplexity 3,7513. Модель содержит 51,3 млн параметров, использует библиотеку Transformers и формат safetensors. Максимальная длина контекста — 1024 токена. В метаданных указан английский язык. Модель распространяется по лицензии Apache-2.0. Карточка не описывает подробные сценарии применения или ограничения, поэтому приведённые результаты относятся только к указанному набору оценки.

CeLLaTe-tapt-pubmedbert-tokenizer-adapted_v2 — англоязычная модель семейства BERT, дообученная Mardiyyah на наборе данных Mardiyyah/TAPT_CeLLaTe2.0 поверх microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext. Она предназначена для заполнения пропусков в англоязычных биомедицинских текстах: модель предсказывает замаскированные слова с учётом окружающего контекста. Архитектура — BertForMaskedLM, размер — 136,7 млн параметров, длина контекста — до 512 токенов; веса доступны в формате safetensors. На указанной в карточке оценочной выборке приведены loss 1,0382, accuracy 0,7691 и perplexity 2,8240. Модель подходит для анализа и дополнения биомедицинской литературы, в частности аннотаций и полных текстов публикаций. Эти метрики относятся только к оценочной выборке из карточки и не гарантируют качество на других корпусах или клинических сценариях. Лицензия — Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-original_v2 — англоязычная BERT-модель Mardiyyah, дообученная методом TAPT на наборе Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для предсказания пропущенных слов в биомедицинских текстах и может служить основой для адаптации к задачам NLP по медицинской литературе. Модель построена на microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext, содержит 136,7 млн параметров и принимает последовательности длиной до 512 токенов. На указанном в карточке наборе оценки достигла loss 1,0433, accuracy 0,7695 и perplexity 2,8385. Распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-original-wwmask — англоязычная модель семейства BERT, разработанная Mardiyyah как дообучение microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext на датасете Mardiyyah/TAPT_CeLLaTe2.0. Она предназначена для восстановления замаскированных слов в биомедицинских текстах и адаптирована к лексике обучающего корпуса. Модель имеет архитектуру BertForMaskedLM и содержит 136,7 млн параметров; максимальный контекст — 512 токенов. По результатам оценки на тестовой выборке указаны loss 1,0329, accuracy 0,7709 и perplexity 2,8091. Модель распространяется по лицензии Apache-2.0.

CeLLaTe-tapt-pubmedbert-tokenizer-original-wwmask-combinedData — англоязычная BERT-модель для предсказания пропущенных токенов в биомедицинском тексте. Она дообучена на датасете Mardiyyah/Combined_TAPT_dataset на основе microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract-fulltext и содержит 136,7 млн параметров. Модель принимает текст и выдаёт предсказания для замаскированных фрагментов; максимальная длина контекста — 512 токенов. Модель подходит для восстановления пропусков и анализа языковых шаблонов в биомедицинских публикациях. В README приведены результаты оценки: loss 1,0617, accuracy 0,7651 и perplexity 2,8914. Использование регулируется лицензией Apache-2.0.

Модель EPFL-ECEO — система семантической сегментации изображений коралловых рифов на наборе из 95 классов CoralscapesV2. Она использует визуальный энкодер DINOv3 ViT-B/16 и декодер DPT; LoRA-адаптеры объединены с энкодером. Модель дообучена на основе facebook/dinov3-vitb16-pretrain-lvd1689m и выдаёт 96 логитов: 95 классов рифовой сцены и отдельный класс void, игнорируемый при обучении и оценке. Модель предназначена для детальной разметки подводных изображений, включая материалы мониторинга коралловых рифов. Обучающие данные CoralscapesV2 включают 2433 кадра с плотной разметкой, полученных на 55 участках Красного моря. В README приведены метрики на тестовых выборках CoralscapesV2 и Coralscapes; результат зависит от режима предсказания и разрешения изображения. Для загрузки требуется поставляемый с моделью модуль coralscapes_hub_model.py: модель не загружается как стандартная transformers.AutoModel. Весовые файлы представлены в формате safetensors; лицензия — Apache-2.0.

CropModel Tree Genus — модель классификации крон деревьев по родам, разработанная Weecology. Она предназначена для работы с кропами крон, обнаруженных детектором DeepForest, и относит изображение к одному из 54 родов деревьев. Обучение выполнено на RGB-изображениях с 29 площадок NEON в Северной Америке с использованием разметки NeonTreeClassification и полевых данных NEON Vegetation Structure Taxonomy. Модель использует ResNet-18 с предварительным обучением на ImageNet. На вход подаются RGB-кропы размером 224×224 с нормализацией ImageNet; в README указана интерполяция ближайшего соседа при изменении размера. Обучающий набор включает 16 348 крон, а тестовая точность составляет 44%, macro F1 — 0,25, weighted F1 — 0,44, поэтому предсказания требуют проверки, особенно для редких или слабо представленных классов. Модель распространяется по лицензии MIT.